স্ব-প্লে ফাইন-টিউনিং কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. কোন বিখ্যাত সিস্টেম শুধুমাত্র স্ব-খেলা ব্যবহার করে অতিমানবীয় গো প্লেতে পৌঁছেছে এবং কোন মানব খেলার রেকর্ড নেই?
   • আলফাগো জিরো
   • গভীর নীল
   • ওয়াটসন
   • GPT-2
2. স্পিনে, 'প্রতিপক্ষের' ভূমিকা কী পালন করে যে মডেলটিকে পরাজিত করতে হবে?
   • একটি পৃথক মানব-প্রশিক্ষিত পুরস্কার মডেল
   • মডেলের নিজস্ব পূর্ববর্তী চেকপয়েন্ট এবং এর তৈরি প্রতিক্রিয়া
   • একটি র্যান্ডম টেক্সট জেনারেটর
   • টোকেনাইজার
3. স্ব-প্লে ফাইন-টিউনিংয়ের প্রধান ডেটা-দক্ষতা সুবিধা কী?
   • এটি প্রতিটি রাউন্ডে একটি ব্র্যান্ড-নতুন মানব ডেটাসেট প্রয়োজন
   • এটি শুধুমাত্র অসীম ডেটার সাথে কাজ করে
   • এটি নতুন মানব লেবেল ছাড়াই একটি নির্দিষ্ট ডেটাসেট থেকে আরও লাভ বের করতে পারে
   • এর কোনো মডেলের প্রয়োজন নেই
4. SPIN এর প্রশিক্ষণের উদ্দেশ্য, মডেলটিকে কী করতে ঠেলে দেওয়া হয়?
   • মানুষের রেফারেন্সের চেয়ে নিজস্ব উত্পন্ন উত্তর পছন্দ করুন
   • সমস্ত মানুষের ডেটা উপেক্ষা করুন
   • পরীক্ষার সেট মুখস্থ করুন
   • তার নিজের পূর্বের আউটপুটগুলির তুলনায় মানব রেফারেন্স প্রতিক্রিয়াগুলির উচ্চ সম্ভাবনা বরাদ্দ করুন
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