منتقلی کوئز کے لیے اڈاپٹر پرتیں۔

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. اڈاپٹر کے ساتھ تربیت کرتے وقت اصل پہلے سے تربیت یافتہ وزن کا کیا ہوتا ہے؟
   • وہ منجمد ہیں جبکہ صرف اڈاپٹر کے پیرامیٹرز کو تربیت دی جاتی ہے۔
   • وہ حذف کر دیے جاتے ہیں۔
   • انہیں تصادفی طور پر دوبارہ شروع کیا جاتا ہے۔
   • وہ سائز میں دوگنا ہیں۔
2. ایک رکاوٹ اڈاپٹر کی مخصوص اندرونی ساخت کیا ہے؟
   • ایک واحد بڑی گھنی تہہ
   • ایک ڈاون پروجیکشن، ایک نان لائنیرٹی، پھر ایک اپ پروجیکشن، بقایا کنکشن کے ساتھ
   • صرف ایک توجہ کا سر
   • ایک کنولوشنل امیج فلٹر
3. اڈاپٹر عام طور پر پیرامیٹرز کے کس حصے کو تربیت دیتے ہیں؟
   • 100%
   • بالکل 50%
   • اکثر 5% سے کم
   • کوئی بھی نہیں۔
4. اڈاپٹر بہت سے کاموں کی خدمت کے لیے آسان کیوں ہیں؟
   • انہیں فی کام ایک علیحدہ مکمل ماڈل کاپی درکار ہوتی ہے۔
   • ان کو اکٹھا نہیں کیا جا سکتا
   • وہ ہر کام کے بعد بیس ماڈل کو مٹا دیتے ہیں۔
   • آپ ایک بیس ماڈل رکھتے ہیں اور چھوٹے فی ٹاسک اڈاپٹر کو تبدیل کرتے ہیں۔
5. اڈاپٹر کس تکنیک کے خاندان سے تعلق رکھتے ہیں؟
   • پیرامیٹر سے موثر فائن ٹیوننگ (PEFT)
   • ڈیٹا میں اضافہ
   • امیج کمپریشن
   • ٹوکنائزیشن اسکیمیں
6. LoRA ایک کلاسک داخل کردہ اڈاپٹر پر قیاس کے وقت کیا فائدہ پیش کرتا ہے؟
   • اس کی تربیت نہیں ہو سکتی
   • اس کے سیکھے ہوئے وزن کو بیس میٹرکس میں ضم کیا جا سکتا ہے، اضافی فی پرت میں تاخیر سے گریز
   • اس کے لیے پورے ماڈل کو دوبارہ تربیت دینے کی ضرورت ہے۔
   • یہ بقایا کنکشن کو مستقل طور پر ہٹا دیتا ہے۔
7. What does a residual connection contribute to a classic bottleneck adapter?
   • A second full pretrained model copy for each task
   • A mandatory external retrieval database
   • A path that adds the adapter’s transformed representation back to the original hidden state
   • A guarantee that no added computation occurs
8. What is one benefit of stacking a domain adapter with a task adapter?
   • Merge all user data into the frozen base weights automatically
   • Avoid using any adapter modules
   • Convert a language model into a vision encoder
   • Reuse a domain specialization together with a separate task specialization