Вікторина, пов’язана з посібником · важко Рівень

Перевірка спекулятивної вибірки

Тестує точну спекулятивну вибірку, ймовірності прийняття та виправлення, витрати на чернетку та обмеження своїх заяв про продуктивність.

Пов'язані напрямні шляхиПеревірка спекулятивної вибірки
Питання 1 з 8

Яка основна ідея спекулятивної вибірки?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яка основна ідея спекулятивної вибірки?
    • Використовуйте невелику чорнову модель, щоб запропонувати кілька токенів, які велика модель перевіряє паралельно
    • Навчіть одну гігантську модель динамічно пропускати шари
    • Кешуйте всі можливі пропозиції заздалегідь
    • Замініть вибірку на жадібне декодування, щоб заощадити час
  2. Чому спекулятивна вибірка не погіршує якість виходу?
    • Бо чорнова модель завжди правильна
    • Тому що правило перевірки робить кінцевий розподіл ідентичним до чистої цільової вибірки
    • Тому що він працює лише на короткі підказки
    • Оскільки він усереднює результати двох моделей
  3. In exact speculative sampling, what happens when a drafted token is rejected?
    • It outputs the rejected draft token unchanged
    • It discards the entire conversation and restarts
    • The algorithm samples from a corrected residual distribution at that position
    • It permanently changes the target model
  4. Under exact speculative sampling, what is guaranteed about the output distribution?
    • It is always deterministic
    • It matches the draft model’s distribution instead
    • It is more diverse than every target-model output
    • It matches the target model’s sampling distribution
  5. What information does the target verification pass provide in exact speculative sampling?
    • Target probabilities for proposed positions, used for acceptance tests and residual resampling
    • A guarantee that no target-model computation is needed
    • Only the draft model’s next-token distribution
    • A corrected token sequence without any sampling
  6. Which description correctly distinguishes two self-speculative approaches?
    • Both use only an unrelated small draft model
    • Medusa adds prediction heads, while EAGLE uses feature-space proposals
    • Medusa is a tokenizer and EAGLE is a reward model
    • Both remove the target model from decoding
  7. The draft assigns probability 0.8 to a token and the target assigns 0.4. What is the speculative acceptance probability?
    • 0.2
    • 0,4
    • 0,5
    • 1.0
  8. What most limits speculative sampling’s realized speedup?
    • The color of the model’s interface
    • The target model’s name length
    • Whether the prompt contains punctuation
    • The draft-model cost and how much proposed work the target accepts