Kvíz spojený s průvodcem · Střední úroveň
Kvíz o reflexi a sebeopravných prostředcích
Prohlédněte si smyčku verbální zpětné vazby Reflexion, hodnotitele, epizodickou paměť, rozsah benchmarků a rizika nespolehlivé zpětné vazby. Zkontrolujte důkazy a limity.
Otázka 1 z 8
Jaká je definující charakteristika toho, jak se agent Reflexe „učí“?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaká je definující charakteristika toho, jak se agent Reflexe „učí“?
- Ukládá písemné úvahy v kontextu bez změny váhy modelu
- Aktualizuje hmotnosti modelu pomocí jemného ladění
- Po každém selhání stáhne novou verzi modelu
- Žádá člověka, aby přejmenoval svá tréninková data
- Co dělá hodnotitel v rámci Reflexe?
- Vygeneruje další akci agenta
- Boduje výsledek pokusu o vytvoření zpětnovazebního signálu
- Vymaže staré vzpomínky, aby se ušetřilo místo
- Přeloží úkol do jiného jazyka
- Proč v Reflexi tolik záleží na kvalitě vyhodnocovacího signálu?
- Protože určuje rychlost učení modelu
- Protože rozhoduje o tom, kolik GPU se použije
- Protože špatný signál může agenta přimět k zamyšlení a posílení nesprávných lekcí
- Protože nastavuje teplotu jazykového modelu
- On which coding benchmark did the Reflexion paper report a 91% pass@1 result?
- ImageNet
- COCO detection
- WMT translation
- HumanEval
- Jaké je skutečné otevřené riziko u samoopravných prostředků?
- Mohou donekonečna „opravovat“ výstup, který již byl správný
- Vyžadují označená data pro každý token
- Nemohou běžet na standardním hardwaru
- Trvale narušují základní model
- 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
- 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
- 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