নির্দেশ টিউনিং কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. নির্দেশনা টিউনিং ছাড়া, কীভাবে একটি কাঁচা বেস মডেল 'ফ্রান্সের রাজধানী কী?' প্রম্পটে সাড়া দিতে পারে?
   • এটা সবসময় উত্তর দিতে অস্বীকার করে
   • এটি একটি ত্রুটি ফেরত দেয়
   • এটি উত্তর দেওয়ার পরিবর্তে আরও প্রশ্ন বা সম্পর্কিত পাঠ্য সহ চালিয়ে যেতে পারে
   • এটা প্রতিবার নিখুঁতভাবে উত্তর দেয়
2. নির্দেশনা টিউনিংকে সর্বোত্তমভাবে বর্ণনা করা হয়েছে:
   • মানুষের প্রতিক্রিয়া থেকে শক্তিবৃদ্ধি শিক্ষা
   • কাঁচা ওয়েব টেক্সট উপর pretraining
   • তাপমাত্রা পরামিতি সামঞ্জস্য করা
   • নির্দেশ-এবং-প্রতিক্রিয়া জোড়ায় সূক্ষ্ম টিউনিং তত্ত্বাবধান করা হয়েছে
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. একটি আধুনিক চ্যাট সহকারীর জন্য প্রশিক্ষণ পর্যায়ের সাধারণ ক্রম কোনটি?
   • RLHF, তারপর pretraining, তারপর instruction tuning
   • নির্দেশ টিউনিং, তারপর pretraining
   • শুধু প্রিট্রেনিং, আর কিছু না
   • প্রিট্রেইনিং, তারপর ইন্সট্রাকশন টিউনিং, তারপর ঐচ্ছিক 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