Machine Learning / AI

Транзакциялық дерекқор мәліметтері негізінде пайдаланушыға жауап беретін агентті қалай жобалау керек: қандай стек пен архитектура қажет, көп агентті жүйелер қолдану керек пе?

Ерекше GPT баяу жұмыс істесе, стандартты LLM үшін қандай инференс оңтайландыруларын ұсынуға болады?

Спекулятивті декодтау деген не және ол қалай генерацияны жылдамдатады?

MoE (Миксірлердің Құрамы) дегеніміз не және бұл архитектура инференс үшін неге тиімді болуы мүмкін?

Attention векторды шығарғаннан кейін, Transformer блогында одан әрі не болады?

Транзакциялық SQL жауаптарында негізгі механизм ретінде векторлық RAG қолданбау керек пе?

MLP қабатының шығысының өлшемі қандай?

Дұрыс жақша тізбегі Келесі тізбекті қарастырайық: дөңгелек, төртбұрыш және фигуралық жақшалар '(', ')', '{', '}', '[', ']'. Бағдарлама берілген жақша тізбегі дұрыс па екенін анықтауы керек. - Бос тізбек дұрыс деп саналады. - Егер A — дұрыс тізбек болса, онда (A), [A], {A} — дұрыс. - Егер A және B — дұрыс тізбектер болса, онда AB — дұрыс. Кіріс форматы: Бір жолда жақша тізбегі берілген, ол 100000-ға дейін жақша қамтиды. Шығыс форматы: Егер берілген тізбек дұрыс болса, бағдарлама yes жолын шығарады, әйтпесе no.

Prefill және decode-ты бөлек талдаңыз: Q/K/V, матрица формалары және фазалық айырмашылықтар.

Dockerfile мен бастапқы кодтан бастап, Kubernetes-те орналастырылған қызмет пен пайдаланушы трафигіне дейін ML/LLM қосымшасының жолы қалай ұйымдастырылған?

Token ID және embeddings-тан кейін decoder-ге нақты не түседі: ұсыныстардың пішіні қандай, позициялық ақпарат қалай қосылады және одан әрі не болады?

RAG жүйесінде сәйкестікпен не істедіңіз?

Сэмплинг алдында логиттермен не істейсіз, және қандай сэмплинг параметрлерін білесіз?

Decode кезінде Q-вектор қай нәрсемен көбейтіледі және не алынады?

Өзіңіз туралы немесе жұмыс стиліңіз туралы қандай маңызды тақырыптарды қосымша атап өткіңіз келеді?

AI құралдарымен жұмыс істеу үшін қандай IDE немесе командалық жолды қолданасыз?

Құжаттарды тазалау және нормализациялау үшін не қолдандыңыз: Redis немесе regex?

Неліктен квантталған LLM тезірек жұмыс істей алады және неге кейде керісінше, кванттау инференсті баяулатады?

Ұзақ контекстте толық self-attention-тің квадратикалық күрделілігін болдырмайтын қандай назар түрлері бар?

import unittest class Solution: def isvalid(self, s:str) -> bool: matching_brackets = { ")": "(", "]": "[", "}": "{", } stack: list[str] = [] for bracket in s: if bracket in "([{": stack.append(bracket) continue if bracket not in matching_brackets: return False if not stack or stack[-1] != matching_brackets[bracket]: return False stack.pop() return not stack class SolutionTest: def __init__(self): self.Solution = Solution() def run(self): test_cases = [ ("", True), ("()", True), ("(){}[]", True), ("(({}))", True), ("(", False), (")", False), ("(((", False), ("{[]}", False), ] for brackets, expected in test_cases: actual = self.Solution.isvalid(brackets) assert actual == expected, ( f"Қате үшін {brackets!r}" f"Күткендей {expected}, ал алынды {actual}" ) print(f"Барлық тесттер өтті: {len(test_cases)}") if __name__ == "__main__": SolutionTest().run()