Mit dem Guide verknüpftes Quiz · Mittel Ebene

Selbstspielendes Feinabstimmungsquiz

Entdecken Sie das Selbstspiel in Go und das Sprachmodelltraining, vergleichen Sie AlphaGo Zero mit AlphaZero und untersuchen Sie feste Datensignale und Risiken synthetischer Daten.

Verwandte FührungspfadeSelbstspiel-Feinabstimmung
Frage 1 von 8

Welches berühmte System erreichte das übermenschliche Go-Spiel nur durch Selbstspiel und ohne menschliche Spielaufzeichnungen?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Welches berühmte System erreichte das übermenschliche Go-Spiel nur durch Selbstspiel und ohne menschliche Spielaufzeichnungen?
    • AlphaGo Zero
    • Tiefblau
    • Watson
    • GPT-2
  2. Welche Rolle spielt in SPIN der „Gegner“, den das Modell besiegen muss?
    • Ein separates, von Menschen trainiertes Belohnungsmodell
    • Der eigene vorherige Prüfpunkt des Modells und seine generierten Antworten
    • Ein Zufallstextgenerator
    • Der Tokenizer
  3. Was ist der wichtigste Dateneffizienzvorteil der Selbstspiel-Feinabstimmung?
    • Es erfordert jede Runde einen brandneuen menschlichen Datensatz
    • Es funktioniert nur mit unendlich vielen Daten
    • Es kann ohne neue menschliche Bezeichnungen mehr Gewinne aus einem festen Datensatz ziehen
    • Es braucht überhaupt kein Modell
  4. Was soll das Modell im SPIN-Trainingsziel tun?
    • Bevorzugen Sie selbst generierte Antworten gegenüber menschlichen Referenzen
    • Ignorieren Sie alle menschlichen Daten
    • Merken Sie sich den Testsatz
    • Weisen Sie menschlichen Referenzantworten eine höhere Wahrscheinlichkeit zu als den eigenen vorherigen Ausgaben
  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