اختبار الضبط الدقيق لأخذ عينات الرفض

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. ما هي الحلقة التي تصف بشكل أفضل كيفية تحسين الضبط الدقيق لأخذ عينات الرفض للنموذج؟
   • أنشئ العديد من الإجابات المرشحة، واحتفظ بالإجابات التي حصلت على أفضل الدرجات، وأعد التدريب عليها
   • احذف طبقات النموذج الأسوأ أداءً
   • رفض جميع بيانات التدريب والبدء من جديد
   • عينة مرة واحدة ودائما قبول الإخراج
2. في المجالات التي يمكن التحقق منها مثل الرياضيات أو التعليمات البرمجية، ما الذي يمكن أن يكون بمثابة المكافأة؟
   • نموذج المكافأة المستفادة فقط
   • سواء كانت الإجابة صحيحة أو نجحت الاختبارات
   • طول الرد
   • عدد الرموز التي تم إنشاؤها
3. Which model family does the cited paper describe using rejection sampling in its alignment pipeline?
   • GPT-4o
   • BERT Base
   • Meta’s Llama 2-Chat
   • Whisper Large
4. Why might a team choose rejection-sampling fine-tuning over a policy-gradient approach for some tasks?
   • It never needs a candidate generator or scoring rule
   • It guarantees no reward hacking
   • It always requires less compute than every RL method
   • It can use supervised learning on selected generations instead of updating through policy-gradient RL
5. ماذا يفعل التدريب على عينات الحد الأقصى للمكافأة بشكل فعال؟
   • يقطر أفضل جودة من N في مخرجات العينة الفردية للنموذج
   • يزيد من حجم المفردات
   • يزيل قدرة النموذج على إنشاء نص
   • مضاعفة عدد المعلمات
6. What should teams monitor when repeatedly fine-tuning on filtered model-generated outputs?
   • فقط عدد معلمات النموذج
   • Output diversity alongside held-out correctness
   • Whether every answer uses the same wording
   • Only the training loss on selected samples
7. What is a limitation of rejection-sampling fine-tuning’s candidate selection?
   • It can only be used with image labels
   • It always changes the tokenizer
   • It cannot train on a high-quality answer that was never generated or retained
   • It makes the scoring function unnecessary
8. What risk arises if the scoring model used to filter candidates is flawed?
   • The policy becomes unable to generate any text
   • The tokenizer automatically changes vocabulary
   • The reference labels become unnecessary
   • The policy may learn to exploit the scorer rather than improve the intended quality