প্রতিফলন এবং স্ব-সংশোধনকারী এজেন্ট কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. একটি প্রতিফলন এজেন্ট কীভাবে 'শিখে' তার সংজ্ঞায়িত বৈশিষ্ট্য কী?
   • এটি মডেল ওজন পরিবর্তন না করে প্রেক্ষাপটে লিখিত প্রতিচ্ছবি সঞ্চয় করে
   • এটি ফাইন-টিউনিংয়ের মাধ্যমে মডেলের ওজন আপডেট করে
   • এটি প্রতিটি ব্যর্থতার পরে একটি নতুন মডেল সংস্করণ ডাউনলোড করে
   • এটি একজন মানুষকে তার প্রশিক্ষণের ডেটা রিলেবল করতে বলে
2. প্রতিফলন কাঠামোতে, মূল্যায়নকারী কী করে?
   • এটি এজেন্টের পরবর্তী ক্রিয়া তৈরি করে
   • এটি একটি প্রতিক্রিয়া সংকেত তৈরি করার প্রচেষ্টার ফলাফল স্কোর করে
   • এটি স্থান বাঁচাতে পুরানো স্মৃতি মুছে দেয়
   • এটি কাজটিকে অন্য ভাষায় অনুবাদ করে
3. কেন মূল্যায়ন সংকেতের গুণমান প্রতিফলনে এত গুরুত্বপূর্ণ?
   • কারণ এটি মডেলের শেখার হার নির্ধারণ করে
   • কারণ এটি নির্ধারণ করে কত GPU ব্যবহার করা হবে
   • কারণ একটি ভুল সংকেত এজেন্টকে প্রতিফলিত করতে পারে এবং ভুল পাঠকে শক্তিশালী করতে পারে
   • কারণ এটি ভাষার মডেলের তাপমাত্রা নির্ধারণ করে
4. On which coding benchmark did the Reflexion paper report a 91% pass@1 result?
   • ইমেজনেট
   • COCO detection
   • WMT translation
   • হিউম্যান ইভাল
5. কোনটি স্ব-সংশোধনকারী এজেন্টদের সাথে একটি প্রকৃত উন্মুক্ত ঝুঁকি?
   • তারা অবিরাম লুপ করতে পারে 'ফিক্সিং' আউটপুট যা ইতিমধ্যেই সঠিক ছিল
   • তাদের প্রতিটি টোকেনের জন্য লেবেলযুক্ত ডেটা প্রয়োজন
   • তারা স্ট্যান্ডার্ড হার্ডওয়্যারে চলতে পারে না
   • তারা স্থায়ীভাবে বেস মডেল কলুষিত
6. Where does Reflexion keep feedback for a later attempt?
   • In updated model weights
   • In an episodic memory buffer supplied as text context
   • In a hardware cache shared across users
   • In the original training corpus
7. What is the role of the Actor in Reflexion?
   • It changes the base model weights
   • It authenticates citations automatically
   • It generates the actions or attempt for the task
   • It sets the benchmark score after the run
8. What kinds of feedback can Reflexion use?
   • Only gradient updates from fine-tuning
   • Only human ratings in every task
   • Only token likelihood from pretraining
   • Signals such as scalar outcomes or language feedback from external or simulated sources