فوری ٹیوننگ کوئز

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

1. فوری ٹیوننگ میں 'سافٹ پرامپٹ' کیا ہے؟
   • مسلسل سرایت کرنے والے ویکٹر سیکھے جنہیں حقیقی الفاظ کے نقشے کی ضرورت نہیں ہے۔
   • شائستہ الفاظ میں متن کی ہدایت
   • ماڈل کی ایک چھوٹی ڈسٹل کاپی
   • منجمد آؤٹ پٹ لاگٹس کا ایک سیٹ
2. پرامپٹ ٹیوننگ اپنے قابل تربیت ویکٹر کو کہاں شامل کرتی ہے؟
   • ہر ٹرانسفارمر پرت پر
   • صرف ان پٹ ایمبیڈنگ پرت پر
   • صرف آؤٹ پٹ پرت پر
   • اصلاح کنندہ حالت کے اندر
3. اصل کاغذ نے ماڈل پیمانے کے بارے میں کیا حیرت انگیز اثر ڈالا؟
   • ماڈل کے بڑھنے کے ساتھ ہی فوری ٹیوننگ خراب ہوتی جاتی ہے۔
   • اسکیل کا فوری ٹیوننگ پر کوئی اثر نہیں ہوتا ہے۔
   • جیسے جیسے ماڈل بڑے ہوتے ہیں، فوری ٹیوننگ مکمل فائن ٹیوننگ کے معیار تک پہنچ جاتی ہے۔
   • بڑے ماڈلز کو اب فوری طور پر نہیں بنایا جا سکتا
4. فوری ٹیوننگ کس نے متعارف کرائی؟
   • ڈیپ مائنڈ 2016 میں
   • 2023 میں Anthropic
   • Microsoft 2019 میں
   • 2021 میں Google (لیسٹر، الرفو، کانسٹینٹ) کے محققین
5. پرامپٹ ٹیوننگ کس طرح ایک ماڈل سے بہت سے کاموں کو پیش کرنے کے قابل بناتی ہے؟
   • ہر کام اپنے چھوٹے نرم پرامپٹ کا استعمال کرتا ہے جب کہ ماڈل منجمد رہتا ہے۔
   • یہ ہر درخواست کے لیے پورے ماڈل کو دوبارہ تربیت دیتا ہے۔
   • یہ وزن سے غیر استعمال شدہ کاموں کو حذف کرتا ہے۔
   • اس کے لیے فی کام ایک علیحدہ GPU درکار ہے۔
6. How does Lester and colleagues’ paper describe prompt tuning in relation to prefix tuning?
   • As a replacement for frozen language models
   • As a simpler related method that the paper compares with prefix tuning
   • As a tokenizer with no trainable parameters
   • As a method that updates every model weight
7. Which model family did Lester and colleagues use to study prompt tuning across scales?
   • ویو نیٹ
   • AlphaFold2
   • T5
   • تنہائی کا جنگل
8. How are soft prompts optimized in prompt tuning?
   • By changing all model weights for each task
   • By replacing embeddings with hard-coded words only
   • By training a new tokenizer for every example
   • By backpropagation through a frozen language model to update the prompt vectors