روٹری پوزیشن ایمبیڈنگس کوئز

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

1. RoPE پوزیشن کی معلومات کو ٹرانسفارمر میں کیسے لگاتا ہے؟
   • سوال میں طول و عرض کے جوڑے اور کلیدی ویکٹرز کو پوزیشن پر منحصر زاویہ سے گھما کر
   • ان پٹ ایمبیڈنگز میں ایک فکسڈ ویکٹر شامل کرکے
   • ٹوکنز کو تصادفی طور پر دوبارہ ترتیب دے کر
   • پوزیشن نمبر کو متن کے طور پر شامل کرکے
2. RoPE لاگو ہونے کے بعد، دو ٹوکن کے درمیان توجہ کا سکور بنیادی طور پر اس پر منحصر ہوتا ہے:
   • صرف ان کی مطلق پوزیشن
   • ان کا رشتہ دار فاصلہ (m مائنس n)
   • الفاظ کا حجم
   • بیچ کا سائز
3. What training-efficiency comparison did the YaRN paper report for context extension?
   • Exactly the same data and steps as all prior methods
   • No fine-tuning or training data of any kind
   • About 10x fewer tokens and 2.5x fewer training steps than prior methods
   • A fixed 100x increase in output tokens
4. RoPE میں مختلف جہت کے جوڑے مختلف تعدد پر کیوں گھومتے ہیں؟
   • کچھ جہتوں کو چھوڑ کر میموری کو بچانے کے لیے
   • ماڈل کے آؤٹ پٹس کو بے ترتیب کرنے کے لیے
   • کیونکہ تمام جوڑوں کو ایک ہی زاویہ استعمال کرنا چاہیے۔
   • عمدہ مقامی ترتیب اور طویل فاصلے کی پوزیشن دونوں پر قبضہ کرنے کے لیے
5. What is the goal of techniques such as Position Interpolation and YaRN for RoPE-based models?
   • Extend the usable context length beyond the original training window using additional scaling/fine-tuning methods
   • Guarantee accurate recall at any sequence length with no evaluation
   • Remove position information from attention
   • Replace all token embeddings with absolute learned vectors
6. Does standard RoPE require learned absolute-position vectors to inject position into query and key representations?
   • Yes; it adds one learned vector for every possible sequence position
   • No; it applies position-dependent rotations to paired query/key dimensions
   • It removes query and key vectors entirely
   • It only adds position to value vectors
7. What does standard RoPE alone guarantee about a model’s context length?
   • Unlimited accurate context at every position
   • A fixed context of exactly 128 tokens
   • It does not by itself guarantee reliable use beyond the trained context length
   • Removal of the attention mechanism
8. What extended context length did the Position Interpolation paper report for its LLaMA evaluations?
   • Exactly 1,000 tokens with no position changes
   • Unlimited context with no fine-tuning
   • Up to 2 million tokens for all models
   • Up to 32,768 tokens with minimal fine-tuning