Logit تعصب کوئز

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

1. لاگٹ تعصب کیا ترمیم کرتا ہے؟
   • نمونے لینے سے پہلے مخصوص ٹوکنز کا سکور (لاگٹ)
   • ماڈل کی تربیت کا وزن مستقل طور پر ہوتا ہے۔
   • پورے پرامپٹ کا درجہ حرارت
   • سیاق و سباق کی ونڈو میں ٹوکنز کی تعداد
2. بہت سے APIs میں، ٹوکن پر -100 کا لاگٹ تعصب کیا حاصل کرتا ہے؟
   • ٹوکن کا امکان 100 گنا زیادہ ہے۔
   • ٹوکن کو پیدا ہونے سے مؤثر طریقے سے روکتا ہے۔
   • الفاظ سے ٹوکن کو ہمیشہ کے لیے حذف کر دیتا ہے۔
   • ماڈل کی رفتار کو دوگنا کرتا ہے۔
3. What numeric range does the documented OpenAI Chat Completions logit_bias accept for a token?
   • From 0 to 1 only
   • From -1 to 1 only
   • From -100 to 100
   • Any string value
4. Logit تعصب کس شناخت کنندہ سے جڑا ہوا ہے؟
   • سادہ متن والا لفظ
   • جملے کی پوزیشن
   • ماڈل کا نام
   • عددی ٹوکن ID
5. کیونکہ لاگٹس سافٹ میکس سے گزرے ہیں، مثبت تعصب کو شامل کرنے کا کیا اثر ہوتا ہے؟
   • یہ نارمل ہونے سے پہلے ٹوکن کے رشتہ دار وزن کو تیزی سے بڑھاتا ہے۔
   • یہ خطی طور پر ایک مقررہ امکان کا اضافہ کرتا ہے۔
   • تربیت تک اس کا کوئی اثر نہیں ہوتا
   • یہ ٹوکن کو غور سے ہٹاتا ہے۔
6. فائن ٹیوننگ پر لاگٹ تعصب کا ایک اہم فائدہ یہ ہے کہ:
   • ماڈل کے علم کو مستقل طور پر بہتر کرتا ہے۔
   • دوبارہ تربیت کی ضرورت نہیں ہے اور ہر درخواست پر لاگو ہوتا ہے۔
   • سیاق و سباق کی کھڑکی کا سائز بڑھاتا ہے۔
   • صرف تصاویر پر کام کرتا ہے۔
7. Why should a developer inspect the tokenizer before applying a bias to a visible word?
   • Token IDs are assigned only after sampling
   • Visible words always equal one token
   • The word may be represented by several token IDs, so biasing one ID may not cover all forms
   • The tokenizer controls the model’s training data
8. What is a practical risk of applying a strong positive bias to one token?
   • It increases the context window
   • It changes the model weights permanently
   • It guarantees the token appears exactly once
   • It can distort generation or produce repetitive, awkward text