Вікторина, пов’язана з посібником · Середній Рівень

Perplexity та тест на мовні показники

Перегляньте вірогідність опорного токена, крос-ентропію, однакові базові лінії, порівнянну токенізацію, BLEU, обмеження якості, контекстні вікна та масковані моделі.

Пов'язані напрямні шляхиPerplexity І мовні показники
Питання 1 з 8

Under the same autoregressive text-scoring setup, what does lower perplexity indicate?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Under the same autoregressive text-scoring setup, what does lower perplexity indicate?
    • Lower average negative log-likelihood for the reference tokens
    • A guarantee of more factually correct generated answers
    • A guarantee of a larger parameter count
    • A requirement that every top-choice prediction be correct
  2. Using natural-log negative log-likelihood, how is autoregressive perplexity computed from its average?
    • By multiplying the parameter count by the context length
    • By subtracting the average from the number of attention heads
    • By taking the average learning rate
    • By exponentiating the average negative log-likelihood
  3. Модель призначає однакову ймовірність словниковому запасу з 10 000 слів без навчання. У чому полягає його здивування?
    • 1
    • 10 000
    • 0
    • 100
  4. Why do tokenizer and corpus settings matter when directly comparing per-token perplexity values?
    • Perplexity ignores every scored reference token
    • All corpora necessarily produce the same likelihood
    • They change the units or reference data over which probabilities are averaged
    • Only model parameter count determines the score
  5. Which translation-reference metric uses modified n-gram precision and a brevity penalty?
    • Perplexity
    • Середня квадратична помилка пікселів
    • Кількість параметрів моделі
    • BLEU
  6. Яке ключове обмеження змушує дослідників позбутися здивування щодо якості в реальному світі?
    • Perplexity вимірює передбачення наступного слова, а не те, чи є вихід корисним, істинним чи корисним
    • Perplexity занадто дорогий для обчислення
    • Perplexity не можна обчислити на текстових даних
    • Perplexity працює лише під час висновку, а не під час навчання
  7. When scoring a long text with a fixed-context model, what can a sliding-window procedure provide that disjoint chunks lose near boundaries?
    • A new vocabulary learned automatically at every boundary
    • A guarantee that generated answers are factually correct
    • More preceding context for the scored target tokens
    • A requirement to count each overlapping target repeatedly
  8. Why is conventional left-to-right perplexity not directly the same score for a BERT-style masked language model?
    • BERT has no learned parameters
    • The masked model does not directly define the same autoregressive sequence factorization
    • Every masked-token probability is necessarily zero
    • Perplexity is defined only for image pixels