Вікторина, пов’язана з посібником · важко Рівень
Вікторина «Користування інструментом» та самовчитель
Перевіряє самоконтрольоване створення викликів Toolformer, фільтрацію на основі втрат, маркери API, вибрані інструменти та останній крок тонкого налаштування.
Питання 1 з 8
Що робить підхід Toolformer до використання інструментів навчання відмінним?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- Що робить підхід Toolformer до використання інструментів навчання відмінним?
- Він генерує та фільтрує власні навчальні приклади викликів інструментів під самоконтролем
- Він спирається на тисячі викликів інструментів, позначених людиною
- Він використовує навчання з підкріпленням лише за відгуками людини
- Він жорстко кодує кожен виклик інструменту вручну
- Який критерій використовує Toolformer, щоб вирішити, чи зберігати кандидатський виклик API?
- Незалежно від того, чи схвалює це людина
- Чи результат виклику зменшує втрати моделі на наступних маркерах
- Чи повертає виклик непорожній рядок
- Чи триває дзвінок менше однієї секунди
- Який набір інструментів навчився використовувати оригінальний Toolformer?
- Генератор зображень, музичний синтезатор і 3D-рендерер
- Тільки інтерпретатор Python
- Калькулятор, система контролю якості, пошукова система, перекладач і календар
- Лише веб-браузер і файлова система
- Як виклики інструментів представлені в тексті під час процесу Toolformer?
- Як окремі аудіоканали
- Як зображення, додані до документа
- Лише як записи у зовнішній базі даних
- Як спеціальні маркери, що позначають виклик API та його результат у рядку
- Яка основна слабкість великих мовних моделей мотивувала Toolformer?
- Вони погано володіють арифметикою, поточними фактами та точним пошуком
- Вони не можуть створювати плавні речення
- Їх неможливо точно налаштувати
- Вони працюють лише англійською
- Після генерації та фільтрації прикладів викликів інструментів, що Toolformer робить з ними?
- Відкидає їх і починає спочатку
- Тонко налаштовує модель на основі відфільтрованого самостійно створеного набору даних
- Надсилає їх людям-анотаторам для зміни міток
- Зберігає їх лише для оцінки
- Why compare the next-token loss with and without an API result when filtering a candidate call?
- To select the API with the longest response
- To remove all calls that change the context
- To retain calls whose result improves prediction of the following real text
- To maximize the number of API calls per paragraph
- Once useful tool-call examples are filtered, how does Toolformer incorporate them?
- It discards them and trains only on human ratings
- It changes the API results into class labels
- It retrains each external API from scratch
- It fine-tunes on the resulting self-generated examples