نیوکلئس اور ٹاپ-کے سیمپلنگ کوئز

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

1. ٹاپ-کے سیمپلنگ ٹوکن کے انتخاب کو کیسے محدود کرتی ہے؟
   • یہ صرف k سب سے زیادہ امکان والے ٹوکن رکھتا ہے، پھر ان کے درمیان نمونے۔
   • یہ ٹوکن اس وقت تک رکھتا ہے جب تک کہ مجموعی امکان k سے زیادہ نہ ہو جائے۔
   • یہ ہمیشہ واحد ممکنہ ٹوکن کا انتخاب کرتا ہے۔
   • یہ صرف k کو کم سے کم ممکنہ ٹوکن ہٹاتا ہے۔
2. نیوکلئس (ٹاپ-پی) نمونے لینے میں 'نیوکلئس' کی وضاحت کیا ہے؟
   • ٹریننگ ڈیٹا میں کثرت سے آنے والے الفاظ
   • ٹوکنز کا سب سے چھوٹا سیٹ جس کے امکانات کم از کم p کے برابر ہوتے ہیں۔
   • واحد سب سے زیادہ امکان والا ٹوکن
   • 50% سے زیادہ امکان کے ساتھ تمام ٹوکن
3. ٹاپ-پی اوور ٹاپ-کے کا اہم فائدہ کیا ہے؟
   • حساب لگانا ہمیشہ تیز تر ہوتا ہے۔
   • یہ کبھی بھی بے ترتیب پیداوار پیدا نہیں کرتا ہے۔
   • امیدوار ٹوکن کی تعداد ماڈل کے اعتماد کے مطابق ہوتی ہے۔
   • یہ ٹوکن کے امکانات کو نظر انداز کرتا ہے۔
4. نمونے لینے سے پہلے درجہ حرارت کا پیرامیٹر کیا کرتا ہے؟
   • یہ ترتیب کی زیادہ سے زیادہ لمبائی کا تعین کرتا ہے۔
   • یہ آؤٹ پٹ کی زبان کا انتخاب کرتا ہے۔
   • یہ الفاظ کے سائز کو شمار کرتا ہے۔
   • یہ امکانات کی تقسیم کو تیز یا چاپلوس ہونے کے لیے دوبارہ اسکیل کرتا ہے۔
5. What result did the nucleus-sampling paper report for its tested open-ended generation tasks?
   • It improved diversity without sacrificing fluency and coherence in the reported comparisons
   • It guaranteed factual correctness in every output
   • It eliminated all sampling randomness
   • It improved translation quality on every benchmark
6. For a greedy decoding baseline with no token sampling, how should generation be configured?
   • Disable sampling and use greedy decoding to select the highest-probability token at each step
   • Use high temperature and a large nucleus threshold
   • Randomize the temperature at every step
   • Keep sampling enabled but increase top-p
7. After top-k truncation removes tokens, what happens to the remaining sampling probabilities?
   • They remain assigned their original total mass below one
   • They are replaced with equal probabilities
   • They are renormalized over the retained top-k tokens
   • They are converted into beam-search scores
8. What did Holtzman et al. report about likelihood-maximizing decoding for open-ended text?
   • It always yields the most diverse human-like passages
   • یہ زبان کے ماڈل کی ضرورت کو ختم کرتا ہے۔
   • It guarantees factual correctness
   • It can produce bland and repetitive text despite strong likelihood scores