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.

  1. Který slavný systém dosáhl nadlidského hraní Go pouze za použití samostatného hraní a bez záznamů lidských her?
    • AlphaGo Zero
    • Tmavě modrá
    • Watson
    • GPT-2
  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
  3. 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
  4. 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
  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