متضاد ڈیکوڈنگ کوئز

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

1. متضاد ضابطہ کشائی میں، چھوٹا 'شوقیہ' ماڈل کیا کردار ادا کرتا ہے؟
   • مشترکہ ناکامی کے طریقوں کو دبانے کے لیے اس کے لاگ ان امکانات کو گھٹا دیا جاتا ہے۔
   • یہ براہ راست حتمی آؤٹ پٹ ٹیکسٹ تیار کرتا ہے۔
   • یہ ماہر کی غلطیوں پر ٹھیک ہے
   • یہ ماہر کی جگہ لے لیتا ہے جب ماہر غیر یقینی ہوتا ہے۔
2. شوقیہ کے امکانات کو کم کرنے سے تکرار اور کم پیداوار کیوں کم ہوتی ہے؟
   • شوقیہ کو تربیت دی جاتی ہے کہ وہ الفاظ کو کبھی نہ دہرائیں۔
   • عام اور دہرائے جانے والے ٹوکن دونوں ماڈلز کو پسند کرتے ہیں، اس لیے کنٹراسٹ انہیں منسوخ کر دیتا ہے۔
   • شوقیہ ڈپلیکیٹ ٹوکن نسل در نسل حذف کرتا ہے۔
   • دو ماڈل ووٹ دینے کے بعد دہرانا ناممکن ہے۔
3. What does the adaptive plausibility constraint do in contrastive decoding?
   • It guarantees every remaining continuation is coherent and true
   • It replaces the expert distribution with the amateur distribution
   • It filters out candidates whose expert probability is too low relative to the expert’s top token
   • It forces every token to have equal probability
4. متضاد ضابطہ کشائی میں اسکورنگ فارمولہ کیا ہے؟
   • لاگ p_Amateur مائنس لاگ p_expert
   • p_expert اوقات p_amateur
   • دو احتمالات کا اوسط
   • لاگ p_expert مائنس ایک عددی اوقات لاگ p_amateur
5. متضاد ضابطہ کشائی کا ایک اہم عملی فائدہ یہ ہے کہ:
   • بغیر کسی اضافی تربیت کے تخمینہ کے وقت کام کرتا ہے۔
   • دونوں ماڈلز کو مشترکہ طور پر دوبارہ تربیت دینے کی ضرورت ہے۔
   • صرف درجہ بندی کے کاموں پر کام کرتا ہے۔
   • ایک بڑے ماڈل کی ضرورت کو ختم کرتا ہے۔
6. بعد میں کون سا طریقہ متضاد خیال کو ایک ماڈل کی اپنی تہوں تک پھیلاتا ہے؟
   • بیم کی تلاش
   • DoLa، جو ابتدائی بمقابلہ دیر کی تہوں میں متضاد ہے۔
   • لالچی ضابطہ کشائی
   • درجہ حرارت کی پیمائش
7. The expert assigns probability 0.4 to its top token and the plausibility threshold is 0.1 of that value. What is the minimum probability for a candidate to remain eligible?
   • 0.4
   • 0.1
   • 0.04
   • 0.004
8. Why can contrastive decoding require more inference work than using the expert model alone?
   • It must retrain both models for every prompt
   • It replaces the vocabulary with image patches
   • It runs only the amateur model
   • It scores candidates with both an expert and an amateur model at inference time