Вікторина, пов’язана з посібником · Середній Рівень
Вікторина з агрегації суміші агентів
Перегляньте ролі пропонента та агрегатора MoA, багаторівневий обмін чернетками, результати співпраці та компроміси щодо вартості висновків.
Питання 1 з 8
Яка роль моделі агрегатора в Mixture-of-Agents?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- Яка роль моделі агрегатора в Mixture-of-Agents?
- Синтезувати відповіді моделей пропонента в єдину покращену відповідь
- Довільно видалити всі чернетки, крім однієї
- Щоб перевести підказку в код
- Для навчання моделей пропонентів
- На яку ключову властивість LLM покладається документ MoA?
- Що LLM не можуть читати виходи інших моделей
- Те, що магістратури дають кращі відповіді, коли показують відповіді однолітків («співпраця»)
- Що LLM завжди погоджуються
- Більші моделі непотрібні
- Чим MoA відрізняється від голосування простою більшістю?
- Він дослівно вибирає найпоширенішу відповідь
- Використовується лише одна модель
- Агрегатор читає всі чернетки як контекст і генерує новий синтез
- Він повністю ігнорує авторів пропозиції
- Чому різноманітність серед моделей пропонентів є цінною в MoA?
- Це гарантує однакові результати
- Це зводить кількість шарів до нуля
- Це робить усі відповіді неправильними
- Різні родини моделей надають додаткові сильні сторони, які агрегатор може об’єднати
- Яка основна практична вартість підходу MoA?
- Вища затримка та обчислення, оскільки кожен рівень множить виклики моделі
- Це взагалі не вимагає висновків
- Він може виводити лише одне слово
- Він видаляє вихідне повідомлення
- Що повідомляється в документі MoA про моделі з відкритим кодом у AlpacaEval 2.0?
- Вони не змогли запустити тест
- MoA відкритих моделей перевищила оцінку GPT-4 Omni
- Відкриті моделі завжди отримували нуль балів
- Тестувалися тільки закриті моделі
- What information is given to an agent in a later Mixture-of-Agents layer?
- Only the original prompt with all earlier drafts removed
- Only a majority-vote label
- The outputs produced by agents in the preceding layer
- A gradient update from each previous model
- What is the purpose of placing several proposer models in the first MoA layer?
- Train a shared base model from scratch
- Choose one response by majority vote and discard the rest
- Compress all outputs into a single token
- Create a set of candidate responses for later agents and the aggregator to use