چنچیلا اسکیلنگ لاز کوئز

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

1. What does Chinchilla's finding that parameters and tokens should scale in similar proportions mean?
   • Both should grow with comparable scaling exponents under the studied training-compute objective
   • The numerical token count must equal the parameter count
   • Training data does not affect the fitted loss
   • Every deployment must choose the largest possible model
2. What token-per-parameter ratio does the 70B-parameter, 1.4T-token Chinchilla experiment illustrate?
   • Exactly one token per parameter
   • About two thousand tokens per parameter
   • About twenty training tokens per parameter
   • A ratio determined only by the number of GPUs
3. چنچیلا نے بہت چھوٹا ہونے کے باوجود کس ماڈل کو پیچھے چھوڑ دیا؟
   • GPT-2
   • گوفر
   • بی آر ٹی
   • مامبا
4. اس وقت GPT-3 جیسے ماڈلز کے بارے میں چنچیلا کا کیا مطلب تھا؟
   • انہیں اوور ٹریننگ دی گئی۔
   • ان کے پاس بہت کم حساب کتاب دستیاب تھا۔
   • انہوں نے غلط ٹوکنائزر استعمال کیا۔
   • انہیں ان کے سائز کے لحاظ سے کم تربیت دی گئی تھی۔
5. چنچیلا کے تجزیے میں تقریباً حساب کیسے لگایا گیا؟
   • صرف GPUs کی تعداد کے متناسب
   • ڈیٹا سائز سے آزاد
   • پیرامیٹرز اوقات تربیتی ٹوکن کے متناسب
   • الفاظ کے سائز کے متناسب
6. Why might a deployment objective favor a smaller model trained on extra data rather than the training-compute optimum alone?
   • Repeated inference costs can matter alongside the initial training budget
   • Inference has no resource cost for any model
   • The Chinchilla study proved every scaling relationship false
   • More data always reduces both training and serving work to zero
7. Under the approximation that training compute is proportional to N times D, how must D change if N doubles while that compute budget stays fixed?
   • D must also double
   • D must quadruple
   • D must remain unchanged
   • D must approximately halve
8. Which three types of term appear in Chinchilla’s parametric loss fit?
   • Only GPU count, electricity price, and elapsed seconds
   • An irreducible base term, a model-size contribution, and a data-size contribution
   • Only vocabulary size, file size, and model name
   • Only a linear token count with no model-size term