Тест, свързан с ръководство · Среден Ниво

Тест за фина настройка на самостоятелна игра

Изследвайте самостоятелната игра в Go и обучението по езикови модели, сравнете AlphaGo Zero с AlphaZero и разгледайте сигналите с фиксирани данни и рисковете от синтетичните данни.

Свързани ръководни пътекиФина настройка на самостоятелна игра
Въпрос 1 на 8

Коя известна система достигна до свръхчовешка игра Go, използвайки само самостоятелна игра и без записи на човешки игри?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Коя известна система достигна до свръхчовешка игра Go, използвайки само самостоятелна игра и без записи на човешки игри?
    • AlphaGo Zero
    • Deep Blue
    • Уотсън
    • GPT-2
  2. В SPIN какво играе ролята на „противника“, който моделът трябва да победи?
    • Отделен модел на възнаграждение, обучен от хора
    • Собствената предишна контролна точка на модела и нейните генерирани отговори
    • Генератор на случаен текст
    • Токенизаторът
  3. Какво е основното предимство на ефективността на данните на фината настройка на самостоятелната игра?
    • Той изисква чисто нов набор от данни за хора всеки кръг
    • Работи само с безкрайни данни
    • Той може да извлече повече печалби от фиксиран набор от данни без нови човешки етикети
    • Изобщо не се нуждае от модел
  4. В обучителната цел на SPIN, какво трябва да направи моделът?
    • Предпочита собствено генерираните отговори пред човешки препратки
    • Игнорирайте всички човешки данни
    • Запомнете набора от тестове
    • Присвоете по-голяма вероятност на човешките референтни отговори, отколкото на собствените си предишни резултати
  5. Which pair of games did the AlphaZero paper demonstrate beyond its Go experiments?
    • Chess and shogi
    • Poker and bridge
    • Checkers and Othello
    • Atari and StarCraft
  6. What risk did researchers report when language models are recursively trained on generated data?
    • Model collapse, with loss of diversity and representation of the original distribution
    • Guaranteed monotonic improvement at every iteration
    • Automatic prevention of distribution shift
    • A higher count of verified human labels
  7. What search component does AlphaGo Zero use alongside self-play?
    • A nearest-neighbor lookup over human game records
    • A language-model tokenizer
    • Monte Carlo tree search guided by a policy and value network
    • A fixed list of opening moves
  8. Why can automatic checkers be useful in self-play for math or code tasks?
    • They guarantee that a model never learns incorrect strategies
    • They replace the need for a task specification
    • They make all generated examples independent of the model
    • They can verify generated solutions without requiring a new human label for each attempt