引導式測驗 · 硬 等級
Toolformer 和自學工具使用測驗
檢查 Toolformer 的自監督呼叫產生、基於遺失的過濾、API 標記、所選工具和最終微調步驟。
問題 1 的 8
Toolformer 學習工具所使用的方法有何獨特之處?
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。
- Toolformer 學習工具所使用的方法有何獨特之處?
- 它產生並過濾自己的工具調用自我監督的訓練範例
- 它依賴數千個人工標記的工具調用
- 它僅使用來自人類回饋的強化學習
- 它手動對每個工具呼叫進行硬編碼
- Toolformer 使用哪個標準來決定是否保留候選 API 呼叫?
- 人類評估者是否批准
- 呼叫的結果是否減少模型在以下標記上的損失
- 呼叫是否傳回非空字串
- 調用是否在一秒鐘內運行
- 最初的 Toolformer 學會了使用哪一組工具?
- 影像產生器、音樂合成器和 3D 渲染器
- 只有Python解釋器
- 計算器、QA 系統、搜尋引擎、翻譯器和日曆
- 僅一個網頁瀏覽器和一個檔案系統
- Toolformer 過程中工具呼叫如何在文字中表示?
- 作為單獨的音訊通道
- 作為附加到文件中的圖像
- 僅作為外部資料庫中的條目
- 作為標記 API 呼叫及其內聯結果的特殊標記
- 大型語言模型的哪些潛在弱點促使 Toolformer 誕生?
- 他們不擅長算術、當前事實和精確查找
- 他們無法產生流利的句子
- 它們無法進行微調
- 他們只用英語工作
- 生成並過濾工具呼叫範例後,Toolformer 對它們做什麼?
- 丟棄它們並重新開始
- 在過濾後的、自行產生的資料集上微調模型
- 將它們發送給人工註釋者進行重新標記
- 儲存它們僅用於評估
- 為什麼在過濾候選呼叫時,要比較有無 API 結果的 next-token loss?
- 選擇回應最長的 API
- 移除所有會改變上下文的呼叫
- 保留那些結果能提升後續真實文字預測的呼叫
- 最大化每段落的 API 呼叫次數
- 一旦有用的工具呼叫範例被過濾後,Toolformer 如何整合它們?
- 它會丟棄這些範例,只根據人工評分進行訓練
- 它會將 API 結果轉換成類別標籤
- 它會從頭重新訓練每個外部 API
- 它會在產生的自我生成範例上進行微調