نیورل نیٹ ورکس کوئز کے لیے اسکیلنگ کے قوانین

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

1. What pattern did Kaplan et al. report for language-model loss as model size, data, or compute increased?
   • Approximate power-law relationships over the tested ranges
   • A sudden guaranteed drop to zero
   • A fixed increase in loss for every larger model
   • Random oscillation with no measurable trend
2. اصل پیمانے کے قوانین نقصان سے متعلق کون سی تین مقداریں ہیں؟
   • بیچ کا سائز، ڈراپ آؤٹ، اور عہد
   • ماڈل پیرامیٹرز، ڈیٹاسیٹ کا سائز، اور کمپیوٹ
   • سیکھنے کی شرح، وزن میں کمی، اور گہرائی
   • GPU شمار، میموری، اور تاخیر
3. How can a scaling-law fit help when planning a larger training run?
   • It guarantees the final benchmark score
   • It eliminates the need for validation
   • It can inform an extrapolation from smaller experiments, subject to the tested setup
   • It predicts results exactly for any dataset or architecture
4. اسکیلنگ قانون نقصان کے فارمولے میں مستقل (ناقابل تلافی) اصطلاح کس چیز کی نمائندگی کرتی ہے؟
   • ایک سافٹ ویئر بگ
   • سیکھنے کی شرح
   • GPUs کی تعداد
   • ڈیٹا کی اندرونی اینٹروپی جسے کوئی ماڈل شکست نہیں دے سکتا
5. Why can absolute loss reductions become smaller as compute keeps increasing under a power-law fit?
   • The reducible loss term shrinks while the loss approaches its floor
   • The data is removed after each compute increase
   • The model stops using parameters
   • Power laws require loss to increase over time
6. کون سا رجحان میدان کو سادہ 'بڑا بہتر ہے' اسکیلنگ سے آگے بڑھا رہا ہے؟
   • GPUs مفت ہو رہے ہیں۔
   • اعلی معیار کے ڈیٹا کی کمی کے علاوہ توانائی اور لاگت کی حد
   • لامحدود اعلی معیار کا متن ظاہر ہو رہا ہے۔
   • نقصان کے منحنی خطوط سیدھی عمودی لکیروں میں بدل رہے ہیں۔
7. What did the original Kaplan study say about architecture details such as width and depth within its tested range?
   • They always dominated model size, data, and compute
   • They made loss independent of data
   • They had relatively small effects compared with the studied scaling variables
   • They guaranteed the same performance for all architectures
8. What compute-allocation tendency did the original Kaplan paper report?
   • Every model should be trained to zero loss
   • Small models always use less compute at equal loss
   • Training data has no effect on compute allocation
   • Large models could be more sample-efficient and compute-efficient training could stop before convergence