ماڈل ضم کرنے والا کوئز

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

1. ماڈل انضمام بنیادی طور پر کیا جوڑتا ہے؟
   • متعدد ماڈلز کے وزن (پیرامیٹر)
   • متعدد ماڈلز کے تربیتی ڈیٹا سیٹس
   • تخمینہ کے وقت متعدد ماڈلز کی آؤٹ پٹ پیشین گوئیاں
   • تربیت کے لیے استعمال ہونے والے ہارڈویئر ایکسلریٹر
2. ایک 'ٹاسک ویکٹر' کو بہترین طور پر بیان کیا گیا ہے:
   • ان کاموں کی فہرست جو ایک ماڈل انجام دے سکتا ہے۔
   • ایک عمدہ ماڈل کے وزن اور اس کے بنیادی ماڈل کے وزن کے درمیان فرق
   • کسی کام کے لیے ان پٹ ٹوکنز کا ویکٹر
   • ایک واحد تربیتی مرحلے کے دوران حساب کیا گیا گریڈینٹ
3. In the described weight-space merging methods, what can be avoided?
   • Evaluation of the merged checkpoint
   • Compatibility requirements between model weights
   • Additional gradient training and access to the original training data
   • Testing the result on intended tasks
4. How do TIES-Merging and DARE differ in addressing parameter interference?
   • Both use the same sign-voting method and differ only in scale
   • DARE uses prompt engineering while TIES retrains on joint data
   • Both average model outputs instead of changing weights
   • They use different techniques: TIES resolves sign conflicts, while DARE drops and rescales task-vector entries
5. دو ماڈلز کو کامیابی سے ضم کرنے کے لیے ایک اہم شرط یہ ہے کہ وہ:
   • ایک ہی فن تعمیر کا اشتراک کریں اور عام طور پر ایک عام بیس ماڈل سے اتریں۔
   • ایک جیسے ڈیٹا پر تربیت دی گئی تھی۔
   • تربیتی مراحل کی بالکل اتنی ہی تعداد رکھیں
   • صرف وہی ٹوکنائزر الفاظ کا سائز استعمال کریں۔
6. In task arithmetic, what do coefficients control when combining task vectors?
   • Which tokenizer each checkpoint must use
   • How strongly each parameter-change vector contributes to the merged checkpoint
   • How many training examples are generated
   • Whether an evaluation set is required
7. What are the three main stages named by TIES-Merging?
   • Tokenize text, infer emotions, and export audio
   • Quantize weights, shard GPUs, and route network packets
   • Trim small changes, elect a sign direction, then merge aligned parameter updates
   • Train a reward model, collect labels, and run PPO
8. Why should teams evaluate each task after a model merge?
   • Merging guarantees every benchmark improves
   • Evaluation is needed only to calculate the file size
   • A merged model cannot be run without retraining
   • Combining weight updates can create interference or reduce performance on a task