引導式測驗 · 中等 等級
混合代理聚合測驗
檢視 MoA 的提議者和聚合者角色、草案的分層共享、協作效果以及推理成本權衡。
問題 1 的 8
在混合代理中,聚合器模型的作用是什麼?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 在混合代理中,聚合器模型的作用是什麼?
- 將提議者模型的回應綜合為單一改進的答案
- 隨機刪除除一份草稿之外的所有草稿
- 將提示翻譯為程式碼
- 訓練提議者模型
- MoA 論文依賴法學碩士的哪些關鍵屬性?
- 法學碩士無法讀取其他模型的輸出
- 當看到同儕的反應時,法學碩士會給出更好的答案(「協作性」)
- LLM 總是同意
- 更大的模型是不必要的
- 農業部與簡單多數投票有何不同?
- 它逐字挑選最常見的答案
- 它只使用一種模型
- 聚合器讀取所有草稿作為上下文並產生新的綜合
- 它完全忽略了提議者
- 為什麼提議者模型的多樣性在 MoA 中很有價值?
- 它保證相同的輸出
- 它將層數減少到零
- 它使所有答案都是錯的
- 不同的模型系列提供聚合器可以結合的互補優勢
- MoA 方法的主要實際成本是多少?
- 更高的延遲和計算,因為每一層都會增加模型調用
- 根本不需要推理
- 只能輸出一個單字
- 刪除原來的提示
- MoA 論文關於 AlpacaEval 2.0 開源模型的報告內容是什麼?
- 他們無法運行基準測試
- MoA 開放模型超越 GPT-4 Omni 得分
- 開放模型總是得分為零
- 僅測試了封閉模型
- 在稍後的代理混合層中向代理提供哪些資訊?
- 僅刪除所有早期草稿的原始提示
- 只有多數票標籤
- 前一層代理產生的輸出
- 每個先前模型的梯度更新
- 在第一 MoA 層放置多個提議者模型的目的是什麼?
- 從頭開始訓練共享基礎模型
- 以多數票選出一個回應並丟棄其餘的
- 將所有輸出壓縮為單一令牌
- 建立一組候選響應供以後的代理程式和聚合器使用