Тест за настройка на инструкции

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Без настройка на инструкции, как би могъл необработеният базов модел да отговори на подканата „Коя е столицата на Франция?“
   • Винаги отказва да отговори
   • Връща грешка
   • Може да продължи с още въпроси или свързан текст вместо отговор
   • Отговаря идеално всеки път
2. Настройката на инструкциите се описва най-добре като:
   • Подсилващо обучение от човешка обратна връзка
   • Предварително обучение върху необработен уеб текст
   • Регулиране на температурния параметър
   • Контролирана фина настройка на двойки инструкция-отговор
3. How does supervised instruction tuning differ from reward-model-based RLHF in the published InstructGPT recipe?
   • It is exactly the same optimization stage
   • It trains against reference responses, while the later preference stages use comparisons and a reward model
   • It requires no training examples
   • It only changes a sampling temperature
4. Why do instruction-tuning researchers evaluate models on held-out tasks and instructions?
   • To assess generalization beyond the examples used for training
   • To prove that every unseen task will succeed
   • To avoid checking any generated responses
   • To guarantee the same accuracy for every task mixture
5. Какъв е типичният ред на етапите на обучение за модерен чат асистент?
   • RLHF, след това предварителна подготовка, след това настройка на инструкциите
   • Настройка на инструкциите, след това предварителна подготовка
   • Само предварителна подготовка, нищо друго
   • Предварително обучение, след това настройка на инструкции, след това по избор RLHF
6. What does LIMA's curated-data experiment support as a research conclusion?
   • Exactly 1,000 examples are enough for every model and task
   • More data can never help any instruction-tuned model
   • Carefully selected small datasets can be effective in an evaluated configuration
   • Only synthetic examples can train an assistant
7. Which training stage did the original LIMA experiment omit while using its 1,000 curated prompt-response pairs?
   • Reinforcement learning and human preference modeling
   • Supervised response loss
   • A pretrained base model
   • Prompt-response examples
8. A tuned model follows the requested answer format. What does that behavior alone fail to establish?
   • That an output format was requested
   • That every factual statement in the answer is correct
   • That the model produced a response
   • That the response can be inspected