Quiz zur Feinabstimmung der Ablehnungsstichprobe

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

1. Which loop best describes how Rejection Sampling Fine-Tuning improves a model?
   • Generieren Sie viele Kandidatenantworten, behalten Sie die Antworten mit der besten Bewertung und trainieren Sie sie erneut
   • Löschen Sie die Modellebenen mit der schlechtesten Leistung
   • Verwerfen Sie alle Trainingsdaten und beginnen Sie von vorne
   • Probieren Sie es einmal aus und akzeptieren Sie die Ausgabe immer
2. Was kann in überprüfbaren Bereichen wie Mathematik oder Code als Belohnung dienen?
   • Nur ein erlerntes Belohnungsmodell
   • Ob die Antwort richtig ist oder die Tests bestanden werden
   • Die Länge der Antwort
   • Die Anzahl der generierten Token
3. Which model family does the cited paper describe using rejection sampling in its alignment pipeline?
   • GPT-4o
   • BERT Base
   • Meta’s Llama 2-Chat
   • Whisper Large
4. Why might a team choose rejection-sampling fine-tuning over a policy-gradient approach for some tasks?
   • It never needs a candidate generator or scoring rule
   • It guarantees no reward hacking
   • It always requires less compute than every RL method
   • It can use supervised learning on selected generations instead of updating through policy-gradient RL
5. Was bewirkt das Training an den Beispielen mit der maximalen Belohnung effektiv?
   • Destilliert die beste N-Qualität in die Einzelprobenausgänge des Modells
   • Erhöht den Wortschatz
   • Entfernt die Fähigkeit des Modells, Text zu generieren
   • Verdoppelt die Parameteranzahl
6. What should teams monitor when repeatedly fine-tuning on filtered model-generated outputs?
   • Only the number of model parameters
   • Output diversity alongside held-out correctness
   • Whether every answer uses the same wording
   • Only the training loss on selected samples
7. What is a limitation of rejection-sampling fine-tuning’s candidate selection?
   • It can only be used with image labels
   • It always changes the tokenizer
   • It cannot train on a high-quality answer that was never generated or retained
   • It makes the scoring function unnecessary
8. What risk arises if the scoring model used to filter candidates is flawed?
   • The policy becomes unable to generate any text
   • The tokenizer automatically changes vocabulary
   • The reference labels become unnecessary
   • The policy may learn to exploit the scorer rather than improve the intended quality