引导式测验 · 硬 等级

Toolformer 和自学工具使用测验

检查 Toolformer 的自监督调用生成、基于丢失的过滤、API 标记、所选工具和最终微调步骤。

相关引导路径Toolformer 和自学工具使用
问题 1 的 8

Toolformer 学习工具使用的方法有何独特之处？

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. Toolformer 学习工具使用的方法有何独特之处？
    • 它生成并过滤自己的工具调用自我监督的训练示例
    • 它依赖于数千个人工标记的工具调用
    • 它仅使用来自人类反馈的强化学习
    • 它手动对每个工具调用进行硬编码
  2. Toolformer 使用哪个标准来决定是否保留候选 API 调用？
    • 人类评估者是否批准
    • 调用的结果是否减少模型在以下标记上的损失
    • 调用是否返回非空字符串
    • 调用是否在一秒内运行
  3. 最初的 Toolformer 学会了使用哪组工具？
    • 图像生成器、音乐合成器和 3D 渲染器
    • 只有Python解释器
    • 计算器、QA 系统、搜索引擎、翻译器和日历
    • 仅一个网络浏览器和一个文件系统
  4. Toolformer 过程中工具调用如何在文本中表示？
    • 作为单独的音频通道
    • 作为附加到文档中的图像
    • 仅作为外部数据库中的条目
    • 作为标记 API 调用及其内联结果的特殊标记
  5. 大型语言模型的哪些潜在弱点促使 Toolformer 诞生？
    • 他们不擅长算术、当前事实和精确查找
    • 他们无法生成流利的句子
    • 它们无法进行微调
    • 他们只用英语工作
  6. 生成并过滤工具调用示例后，Toolformer 对它们做什么？
    • 丢弃它们并重新开始
    • 在过滤后的、自行生成的数据集上微调模型
    • 将它们发送给人工注释者进行重新标记
    • 存储它们仅用于评估
  7. Why compare the next-token loss with and without an API result when filtering a candidate call?
    • To select the API with the longest response
    • To remove all calls that change the context
    • To retain calls whose result improves prediction of the following real text
    • To maximize the number of API calls per paragraph
  8. Once useful tool-call examples are filtered, how does Toolformer incorporate them?
    • It discards them and trains only on human ratings
    • It changes the API results into class labels
    • It retrains each external API from scratch
    • It fine-tunes on the resulting self-generated examples