ٹیسٹ ٹائم کمپیوٹ اسکیلنگ کوئز

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

1. 'ٹیسٹ ٹائم کمپیوٹ' سے کیا مراد ہے؟
   • کمپیوٹیشن نے ڈیٹا پر ماڈل کی تربیت میں خرچ کیا۔
   • ماڈل کو ڈاؤن لوڈ کرنے میں جو وقت لگتا ہے۔
   • کمپیوٹیشن اس وقت خرچ ہوتا ہے جب ماڈل کسی استفسار کا جواب دیتا ہے۔
   • ڈیٹا سینٹرز کو ٹھنڈا کرنے کے لیے استعمال ہونے والی بجلی
2. In test-time scaling studies, what can extra inference compute be used for?
   • Changing the model’s training data during the request
   • Increasing the number of model parameters automatically
   • Guaranteeing correctness without evaluation
   • Searching or revising candidate solutions and checking their quality
3. ٹیسٹ ٹائم کمپیوٹ اسکیلنگ کا بنیادی تجارت کیا ہے؟
   • زیادہ تاخیر اور لاگت کے بدلے میں زیادہ درستگی
   • کم میموری لیکن سست تربیت
   • زیادہ ڈیٹا لیکن چھوٹے ماڈل
   • کم ریزولوشن کے لیے بہتر گرافکس
4. 'Best-of-N' سیمپلنگ کیا ہے؟
   • N سب سے بڑے ڈیٹاسیٹس پر تربیت
   • N امیدوار کے جوابات تیار کرنا اور بہترین کا انتخاب کرنا
   • پرامپٹ کے صرف پہلے N الفاظ استعمال کرنا
   • رفتار کے لیے N مختلف کمپیوٹرز پر ماڈل چلانا
5. ٹیسٹ ٹائم کمپیوٹ کو نیا 'اسکیلنگ ایکسس' کیوں سمجھا جاتا ہے؟
   • یہ کسی بھی تربیت کی ضرورت کی جگہ لے لیتا ہے۔
   • یہ صرف چھوٹے ماڈلز پر کام کرتا ہے۔
   • یہ صرف بڑھتے ہوئے ماڈل سائز کی بجائے انفرنس کمپیوٹ کو شامل کرکے کارکردگی کو بہتر بناتا ہے۔
   • یہ ان صارفین کی تعداد کو کم کرتا ہے جو ایک ماڈل پیش کر سکتا ہے۔
6. ٹیسٹ ٹائم کمپیوٹ کو کونسا حیران کن نتیجہ قابل بناتا ہے؟
   • ماڈلز بغیر کسی GPU کے چل سکتے ہیں۔
   • تربیت کا ڈیٹا غیر ضروری ہو جاتا ہے۔
   • ماڈل ہمیشہ تیز جواب دیتے ہیں۔
   • ایک چھوٹا ماڈل زیادہ دیر تک سوچنا فوری طور پر جواب دینے والے بہت بڑے ماڈل کا مقابلہ کر سکتا ہے۔
7. What is one reason a fixed best-of-N strategy may waste inference compute?
   • It spends the same candidate budget on easy and difficult prompts
   • It modifies model weights on every query
   • It cannot generate multiple candidates
   • It eliminates the need for scoring
8. What did the test-time compute paper compare with best-of-N sampling?
   • A strategy that disables inference
   • A compute-optimal strategy that allocates effort based on expected solution quality
   • A larger tokenizer vocabulary
   • A method that changes image resolution