引导式测验 · 硬 等级

代码模型测验的推测性编辑

检查未更改的源代码如何成为草稿、如何接受经过验证的前缀以及为什么编辑大小会驱动推测的生成成本。

相关引导路径代码模型的推测性编辑
问题 1 的 8

哪些关键观察使推测性编辑有效？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. 哪些关键观察使推测性编辑有效？
    • 大多数已编辑文件的标记通常与原始文件相同
    • AI模型根本无法读取代码
    • 文件必须始终从头开始重新生成
    • 代码没有可预测的结构
  2. 与普通的推测性解码相比，推测性编辑中的“草稿”来自哪里？
    • 来自单独的小草图模型
    • 从正在编辑的现有源代码
    • 来自随机抽样
    • 来自人类审稿人
  3. 标准自回归解码如何产生标记？
    • 每次传递并行许多令牌
    • 一次性所有代币，无需模型
    • 每个前向传递一个令牌
    • 仅在 GPU 集群上
  4. 在推测方法中，模型验证正确的一系列提议令牌会发生什么？
    • 它们被丢弃并再生
    • 它们被发送给人类以供批准
    • 它们会导致错误
    • 它们大约在一次前向传递中被接受
  5. 通过推测性编辑，生成成本与什么最接近？
    • 实际编辑的大小（发散部分）
    • 文件的总大小
    • 存储库中的文件数量
    • 模型参数个数
  6. 哪种情况从推测性编辑中获益最多？
    • 从空缓冲区写入全新文件
    • 在几乎未更改的大型文件中重命名符号
    • 回答一般琐事问题
    • 生成一首简短的独立诗
  7. A code edit changes only one short function in a large file. Where is speculative generation work concentrated?
    • Across every unchanged token in the file
    • In retraining the code model
    • In the divergent edited span that does not match the existing source draft
    • In regenerating the file’s tokenizer vocabulary
  8. When speculative verification finds a mismatch with the target model, what should the edit system do?
    • Accept every remaining draft token
    • Discard the entire model checkpoint
    • Replace the target model with the draft
    • Stop accepting that draft prefix and generate the corrected span