Вікторина з оптимізації переваг співвідношення шансів

Відповіді та пояснення з’являються під час виконання тесту.

1. У чому головна практична перевага ОРПО перед такими методами, як ДПО?
   • Це усуває потребу в окремій еталонній моделі
   • Для цього взагалі не потрібні навчальні дані
   • Він працює лише на моделях зображень
   • Це гарантує відсутність галюцинацій
2. Що порівнює «співвідношення шансів» в ORPO?
   • Швидкість навчання проти точності
   • Шанси обраної відповіді проти відхиленої відповіді
   • Дві різні швидкості навчання
   • Розмір моделі проти розміру набору даних
3. What form does an ORPO preference example contain?
   • Only a single unlabeled response
   • A prompt with two identical completions
   • A prompt with one chosen response and one disfavored response
   • A reward score with no associated responses
4. How does ORPO convert a response probability p into odds?
   • One minus p divided by p
   • The square root of p
   • The logarithm of the prompt length
   • p divided by one minus p
5. Яка комбінація найкраще описує втрату ORPO?
   • Перехресна ентропія SFT плюс зважений термін переваги співвідношення шансів
   • Лише модель винагороди
   • Чисте повернення підкріпленого навчання
   • Випадкове введення шуму
6. Which response receives the supervised fine-tuning component of ORPO?
   • Only the rejected response
   • The chosen or preferred response
   • A response sampled after deployment
   • No response; ORPO has no language-modeling term
7. Which parameter controls the weight of ORPO’s preference term relative to the supervised loss?
   • Розмір словника токенізера
   • Кількість голів уваги
   • The preference-loss coefficient
   • The prompt’s character count
8. Why should an ORPO result report its preference data and evaluation setup?
   • ORPO results are identical across datasets
   • The objective removes the need for evaluation
   • The number of model layers determines every preference
   • Outcomes depend on the dataset, coefficient, base model, and evaluation