Bộ điều khiển Mirostat Perplexity Câu hỏi kiểm soát

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

1. What does Mirostat try to control during generation?
   • A target level of output perplexity or surprise
   • Số lượng tham số mô hình
   • The training dataset size
   • Nhiệt độ GPU
2. Mirostat về cơ bản khác với lấy mẫu top-k hoặc top-p tiêu chuẩn như thế nào?
   • Nó không bao giờ sử dụng sự ngẫu nhiên
   • Nó tự động điều chỉnh việc cắt bớt bằng cách sử dụng phản hồi thay vì mức cắt cố định
   • Nó chỉ hoạt động trên hình ảnh
   • Nó đòi hỏi phải đào tạo lại mô hình
3. Trong Mirostat, tham số eta đóng vai trò gì?
   • Nó đặt kích thước từ vựng
   • Nó sửa độ dài đầu ra
   • Đó là tốc độ học tập kiểm soát tốc độ thích ứng của ngưỡng
   • Nó vô hiệu hóa việc lấy mẫu
4. Cải tiến chính của Mirostat phiên bản 2 so với phiên bản 1 là gì?
   • Nó cũng tạo ra hình ảnh
   • Nó đòi hỏi nhiều bộ nhớ hơn
   • Nó loại bỏ tham số tau
   • Nó loại bỏ giả định về phân phối Zipfian để kiểm soát đơn giản hơn, mạnh mẽ hơn
5. Nếu Mirostat phát hiện ra rằng đầu ra trở nên quá dễ đoán, nó sẽ:
   • Nới lỏng việc cắt bớt để thừa nhận các mã thông báo đa dạng hơn
   • Thắt chặt việc cắt bớt để cho phép ít mã thông báo hơn
   • Dừng tạo ngay lập tức
   • Tăng kích thước mô hình
6. Which Mirostat settings does current llama.cpp expose?
   • Tokenizer vocabulary and number of layers
   • Mode, target tau, and learning-rate eta
   • Only the prompt length
   • Training epochs and validation loss
7. What does eta control in Mirostat’s feedback update?
   • The size of the model vocabulary
   • The target number of output tokens
   • How strongly the threshold changes in response to the observed error
   • The probability of a correct factual answer
8. What does a Mirostat target not guarantee by itself?
   • That the sampler reads token probabilities
   • That the setting can influence surprise
   • That the output contains tokens
   • That the generated text is factually correct