Nội suy vị trí cho bài kiểm tra mở rộng ngữ cảnh

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

1. Ý tưởng cốt lõi của Nội suy vị trí là gì?
   • Thêm nhiều sự chú ý hơn
   • Thay đổi tỷ lệ (thu nhỏ) các chỉ số vị trí để chúng nằm trong phạm vi được đào tạo thay vì ngoại suy
   • Xóa hoàn toàn các phần nhúng vị trí
   • Đào tạo lại mô hình từ đầu trên các chuỗi dài
2. Which positional scheme did the original Position Interpolation work extend through position-index rescaling?
   • A fixed output-vocabulary lookup table only
   • No positional information of any kind
   • Rotary positional embeddings, or RoPE
   • An image compression format rather than model positions
3. Why can unmodified positional extrapolation degrade a RoPE model on much longer inputs?
   • The sequence introduces positional and attention conditions beyond the model's training experience
   • A longer context automatically retrains every parameter
   • RoPE removes all attention from the model
   • The tokenizer necessarily loses its vocabulary at a specific length
4. Nếu mở rộng độ dài ngữ cảnh từ L đến L', PI cơ bản áp dụng hệ số thay đổi tỷ lệ nào cho vị trí m?
   • Nhân m với L'/L
   • Thêm L' vào m
   • Đặt m về 0
   • Chia m cho L'/L (tức là m / (L'/L))
5. How does YaRN's frequency-aware approach differ from uniform Position Interpolation?
   • It removes every query and key from attention
   • It changes only the output vocabulary size
   • It treats frequency bands differently to preserve local detail while extending positional range
   • It guarantees that all long-context tasks have identical accuracy
6. What makes the original Position Interpolation workflow different from pretraining a new long-context model from scratch?
   • It eliminates every need for computation
   • It adapts an existing pretrained model toward the tested longer window with rescaling and fine-tuning
   • It requires replacing all learned parameters with random values
   • It proves all models can extend indefinitely without evaluation
7. Does basic Position Interpolation inherently add new attention heads or enlarge the trainable architecture?
   • Yes; every doubled context requires twice as many attention heads
   • Yes; the vocabulary must expand by the context-length factor
   • Only the model's filename changes, with no effect on positions
   • No; it changes the position coordinates used by the existing model
8. Why must a longer-context PI deployment still assess memory and computation requirements?
   • It processes more tokens and stores relevant state; compressing position coordinates does not remove that work
   • The number of actual input tokens shrinks automatically with their positions
   • All KV-cache storage becomes zero after rescaling
   • Every extended model has unchanged latency regardless of input length