Тест за фина настройка на вземане на проби за отхвърляне

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Кой цикъл най-добре описва как фината настройка на отхвърлянето на пробите подобрява модел?
   • Генерирайте много отговори на кандидати, запазете тези с най-добри резултати и се обучавайте отново върху тях
   • Изтрийте най-лошите модели на слоевете
   • Отхвърлете всички данни за обучение и започнете отначало
   • Пробвайте веднъж и винаги приемайте изхода
2. В проверими области като математика или код, какво може да послужи като награда?
   • Само научен модел на възнаграждение
   • Дали отговорът е правилен или тестовете преминават
   • Дължината на отговора
   • Броят на генерираните токени
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. Какво прави ефективно обучението по примерите за максимално възнаграждение?
   • Дестилира най-доброто от N качество в изходните данни на модела за единична проба
   • Увеличава обема на речниковия запас
   • Премахва способността на модела да генерира текст
   • Удвоява броя на параметрите
6. What should teams monitor when repeatedly fine-tuning on filtered model-generated outputs?
   • Only the number of model parameters
   • 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