Kvíz spojený s průvodcem · Střední úroveň
Samostatný kvíz jemného ladění
Prozkoumejte vlastní hru v Go a školení jazykových modelů, porovnejte AlphaGo Zero s AlphaZero a prozkoumejte signály s pevnými daty a rizika syntetických dat.
Otázka 1 z 8
Který slavný systém dosáhl nadlidského hraní Go pouze za použití samostatného hraní a bez záznamů lidských her?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Který slavný systém dosáhl nadlidského hraní Go pouze za použití samostatného hraní a bez záznamů lidských her?
- AlphaGo Zero
- Tmavě modrá
- Watson
- GPT-2
- Jakou roli hraje ve SPINu „protivník“, kterého musí modelka porazit?
- Samostatný model odměn trénovaný lidmi
- Vlastní předchozí kontrolní bod modelu a jeho vygenerované odpovědi
- Generátor náhodného textu
- Tokenizer
- Jaká je hlavní výhoda efektivity dat při jemném ladění při samovolném přehrávání?
- Každé kolo vyžaduje zcela nový soubor lidských dat
- Funguje pouze s nekonečnými daty
- Dokáže získat více zisků z pevné datové sady bez nových lidských štítků
- Nepotřebuje vůbec žádný model
- V rámci tréninkového cíle SPIN, k čemu je model tlačen?
- Upřednostněte vlastní generované odpovědi před lidskými referencemi
- Ignorujte všechna lidská data
- Zapamatujte si testovací sadu
- Přiřaďte vyšší pravděpodobnost lidským referenčním odpovědím než jeho vlastním předchozím výstupům
- 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
- 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
- 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
- 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