نقاب پوش زبان ماڈلنگ کوئز

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

1. نقاب پوش زبان کی ماڈلنگ میں بنیادی تربیتی کام کیا ہے؟
   • ارد گرد کے سیاق و سباق سے جان بوجھ کر پوشیدہ الفاظ کی پیش گوئی کرنا
   • کسی جملے کے بعد اگلے لفظ کی پیشین گوئی کرنا
   • دو زبانوں کے درمیان متن کا ترجمہ کرنا
   • گرائمر کی درستگی کے ذریعہ جملے کی درجہ بندی کرنا
2. BERT عموماً پیشگی تربیت کے دوران کتنے فیصد ٹوکنز کو ماسک کرتا ہے؟
   • تقریباً 50%
   • تقریباً 15%
   • تقریباً 1%
   • تقریباً 90%
3. ایم ایل ایم ایک ماڈل کو دو طرفہ تفہیم کیوں دیتا ہے؟
   • یہ جملے پیچھے پڑھتا ہے۔
   • یہ دو الگ الگ ماڈل استعمال کرتا ہے۔
   • ہر ٹوکن اس کے بائیں اور دائیں دونوں طرف کے الفاظ میں شامل ہوتا ہے۔
   • یہ صرف پچھلے لفظ کو دیکھتا ہے۔
4. BERT کی ماسکنگ اسکیم میں، [MASK] بننے کے بجائے تقریباً 10% منتخب عہدوں کا کیا ہوتا ہے؟
   • وہ مکمل طور پر حذف کردیئے گئے ہیں۔
   • وہ نقل شدہ ہیں۔
   • وہ کیپٹلائزڈ ہیں۔
   • انہیں ایک بے ترتیب لفظ سے بدل دیا جاتا ہے۔
5. کن عہدوں پر ایم ایل ایم کے نقصان کا حساب کیا جاتا ہے؟
   • صرف نقاب پوش عہدے
   • جملہ میں ہر ٹوکن
   • صرف پہلا اور آخری ٹوکن
   • صرف اوقاف کے ٹوکن
6. اگلی ٹوکن پیشن گوئی کے مقابلے میں، ایم ایل ایم کیا تجارت کرتا ہے؟
   • سیاق و سباق کو استعمال کرنے کی صلاحیت
   • روانی سے بائیں سے دائیں متن بنانے کی صلاحیت
   • الفاظ تک رسائی
   • توجہ کا استعمال
7. How does RoBERTa’s dynamic masking differ from BERT’s original setup?
   • It masks only the first token of every sentence
   • It predicts future tokens with a causal decoder
   • The masked positions can be regenerated across training passes instead of remaining fixed
   • It replaces all masked tokens with random numbers
8. What auxiliary objective did the original BERT pretraining recipe combine with MLM?
   • Image patch reconstruction
   • Audio speaker diarization
   • A reward model for code generation
   • Next-sentence prediction