引導式測驗 · 硬 等級

程式碼模型測驗的推測性編輯

檢查未更改的原始程式碼如何成為草稿、如何接受經過驗證的前綴以及為什麼編輯大小會驅動推測的生成成本。

問題 1 的 8

哪些關鍵觀察使推測性編輯有效?

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。

  1. 哪些關鍵觀察使推測性編輯有效?
    • 大多數已編輯文件的標記通常與原始文件相同
    • AI模型根本無法讀取程式碼
    • 文件必須始終從頭開始重新生成
    • 程式碼沒有可預測的結構
  2. 與普通的推測性解碼相比,推測性編輯中的「草稿」來自哪裡?
    • 來自單獨的小草圖模型
    • 從正在編輯的現有原始碼
    • 來自隨機抽樣
    • 來自人類審稿人
  3. 標準自回歸解碼如何產生標記?
    • 每次傳遞並行許多令牌
    • 一次所有代幣,無需模型
    • 每個前向傳遞一個令牌
    • 僅在 GPU 叢集上
  4. 在推測方法中,模型驗證正確的一系列提議令牌會發生什麼?
    • 它們被丟棄並再生
    • 它們被發送給人類以供批准
    • 它們會導致錯誤
    • 它們大約在一次前向傳遞中被接受
  5. 透過推測性編輯,生成成本與什麼最接近?
    • 實際編輯的大小(發散部分)
    • 文件的總大小
    • 儲存庫中的檔案數量
    • 模型參數個數
  6. 哪一種情況從推測性編輯中獲益最多?
    • 從空緩衝區寫入全新文件
    • 在幾乎未更改的大型檔案中重新命名符號
    • 回答一般瑣事問題
    • 生成一首簡短的獨立詩
  7. 程式碼編輯僅更改大型檔案中的一個短函數。推測性生成工作集中在哪裡?
    • 跨越檔案中的每一個未變更 token
    • 在重新訓練程式碼模型時
    • 在與現有來源草稿不符的分歧編輯片段中
    • 在重新產生檔案的詞元化器(tokenizer)詞彙表時
  8. 當推測驗證發現與目標模型不匹配時,編輯系統應該怎麼做?
    • 接受所有剩餘的草稿詞元
    • 捨棄整個模型檢查點
    • 以草稿取代目標模型
    • 停止接受該草稿前綴並產生修正後的片段