Тест про температуру та вибірку

Відповіді та пояснення з’являються під час виконання тесту.

1. Як підвищення температури впливає на вихід моделі?
   • Робить його більш детермінованим і повторюваним
   • Постійно змінює ваги моделі
   • Вимикає функцію softmax
   • Робить його більш випадковим і різноманітним, з більшою ймовірністю незвичайних жетонів
2. Перед вибіркою оцінки необроблених маркерів (логіти) моделі перетворюються на ймовірності за допомогою:
   • Фільтр top-k
   • Функція softmax
   • Зворотне поширення
   • Токенізатор
3. What determines the candidate set in top-p sampling, compared with top-k?
   • Top-p always keeps exactly ten tokens
   • Both methods always keep every vocabulary token
   • Top-p uses the smallest leading set reaching a cumulative probability threshold; top-k uses a count
   • Top-k uses a cumulative threshold while top-p uses a fixed count
4. Механічно, що насправді робить температура з логітами?
   • Розділяє кожен логіт на T перед softmax
   • До кожного логіта додає випадкове число
   • Видаляє найнижчі логіти
   • Помножує кінцеві ймовірності на T
5. For a structured-data task, what does choosing more predictable token selection fail to establish?
   • That a decoding setting was chosen
   • That the generated content is correct or valid
   • That token scores can be compared
   • That a model can produce an output
6. How does greedy decoding choose the next token?
   • It literally divides every logit by zero
   • It uniformly samples every vocabulary token
   • It permanently retrains the model
   • It selects a highest-scoring eligible token rather than sampling
7. Two token logits differ by six before temperature scaling. With positive temperature two, what is their scaled difference?
   • три
   • Дванадцять
   • Шість
   • Нуль
8. For probabilities 0.55, 0.30, 0.10, and 0.05, how many leading tokens does top-p 0.80 keep?
   • Один
   • три
   • Два
   • чотири