مکسچر آف ایجنٹس ایگریگیشن کوئز

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

1. مکسچر آف ایجنٹس میں، ایگریگیٹر ماڈل کا کیا کردار ہے؟
   • تجویز کنندہ کے ماڈلز کے جوابات کو ایک ہی بہتر جواب میں ترکیب کرنے کے لیے
   • بے ترتیب طور پر ایک مسودے کے علاوہ تمام کو حذف کرنے کے لیے
   • پرامپٹ کو کوڈ میں ترجمہ کرنے کے لیے
   • تجویز کنندہ ماڈلز کو تربیت دینے کے لیے
2. ایم او اے پیپر ایل ایل ایم کی کس کلیدی خاصیت پر انحصار کرتا ہے؟
   • کہ ایل ایل ایم دوسرے ماڈلز کے آؤٹ پٹ نہیں پڑھ سکتے ہیں۔
   • جب ہم ساتھیوں کے جوابات دکھائے جاتے ہیں تو ایل ایل ایم بہتر جوابات دیتے ہیں ('تعاون')
   • کہ LLM ہمیشہ متفق ہوتے ہیں۔
   • کہ بڑے ماڈل غیر ضروری ہیں۔
3. MoA سادہ اکثریتی ووٹنگ سے کیسے مختلف ہے؟
   • یہ سب سے عام جواب لفظی طور پر چنتا ہے۔
   • یہ صرف ایک ماڈل استعمال کرتا ہے۔
   • جمع کرنے والا تمام مسودوں کو سیاق و سباق کے طور پر پڑھتا ہے اور ایک نئی ترکیب تیار کرتا ہے۔
   • یہ تجویز کنندگان کو مکمل طور پر نظر انداز کرتا ہے۔
4. MoA میں تجویز کنندگان کے ماڈلز میں تنوع کیوں قیمتی ہے؟
   • یہ ایک جیسی پیداوار کی ضمانت دیتا ہے۔
   • یہ تہوں کی تعداد کو صفر کر دیتا ہے۔
   • یہ تمام جوابات کو غلط بنا دیتا ہے۔
   • مختلف ماڈل خاندان تکمیلی قوتوں میں حصہ ڈالتے ہیں جو جمع کرنے والا جمع کر سکتا ہے۔
5. MoA اپروچ کی بنیادی عملی لاگت کیا ہے؟
   • زیادہ تاخیر اور کمپیوٹ، کیونکہ ہر پرت ماڈل کالز کو بڑھاتی ہے۔
   • اس کے لیے قطعاً کسی قیاس کی ضرورت نہیں ہے۔
   • یہ صرف ایک لفظ کو آؤٹ پٹ کر سکتا ہے۔
   • یہ اصل پرامپٹ کو حذف کر دیتا ہے۔
6. AlpacaEval 2.0 پر اوپن سورس ماڈلز کے بارے میں MoA پیپر نے کیا رپورٹ کیا؟
   • وہ بینچ مارک نہیں چلا سکے۔
   • اوپن ماڈلز کے ایک MoA نے GPT-4 Omni کے اسکور کو پیچھے چھوڑ دیا۔
   • اوپن ماڈلز نے ہمیشہ صفر اسکور کیا۔
   • صرف بند ماڈلز کی جانچ کی گئی۔
7. What information is given to an agent in a later Mixture-of-Agents layer?
   • Only the original prompt with all earlier drafts removed
   • Only a majority-vote label
   • The outputs produced by agents in the preceding layer
   • A gradient update from each previous model
8. What is the purpose of placing several proposer models in the first MoA layer?
   • Train a shared base model from scratch
   • Choose one response by majority vote and discard the rest
   • Compress all outputs into a single token
   • Create a set of candidate responses for later agents and the aggregator to use