Κουίζ συντονισμού οδηγιών

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Χωρίς συντονισμό εντολών, πώς μπορεί ένα ακατέργαστο βασικό μοντέλο να ανταποκριθεί στην προτροπή "Ποια είναι η πρωτεύουσα της Γαλλίας;"
   • Πάντα αρνείται να απαντήσει
   • Επιστρέφει ένα σφάλμα
   • Μπορεί να συνεχίσει με περισσότερες ερωτήσεις ή σχετικό κείμενο αντί να απαντήσει
   • Απαντά τέλεια κάθε φορά
2. Ο συντονισμός εντολών περιγράφεται καλύτερα ως:
   • Ενίσχυση της μάθησης από την ανθρώπινη ανατροφοδότηση
   • Προεκπαίδευση σε ακατέργαστο κείμενο ιστού
   • Ρύθμιση της παραμέτρου θερμοκρασίας
   • Εποπτευόμενη λεπτομέρεια σε ζεύγη εντολών και απάντησης
3. How does supervised instruction tuning differ from reward-model-based RLHF in the published InstructGPT recipe?
   • It is exactly the same optimization stage
   • It trains against reference responses, while the later preference stages use comparisons and a reward model
   • It requires no training examples
   • It only changes a sampling temperature
4. Why do instruction-tuning researchers evaluate models on held-out tasks and instructions?
   • To assess generalization beyond the examples used for training
   • To prove that every unseen task will succeed
   • To avoid checking any generated responses
   • To guarantee the same accuracy for every task mixture
5. Ποια είναι η τυπική σειρά των σταδίων εκπαίδευσης για έναν σύγχρονο βοηθό συνομιλίας;
   • RLHF, μετά προπόνηση και μετά συντονισμός εντολών
   • Συντονισμός εντολών και μετά προεκπαίδευση
   • Μόνο προπόνηση, τίποτα άλλο
   • Προεκπαίδευση, μετά συντονισμός εντολών, μετά προαιρετικό RLHF
6. What does LIMA's curated-data experiment support as a research conclusion?
   • Exactly 1,000 examples are enough for every model and task
   • More data can never help any instruction-tuned model
   • Carefully selected small datasets can be effective in an evaluated configuration
   • Only synthetic examples can train an assistant
7. Which training stage did the original LIMA experiment omit while using its 1,000 curated prompt-response pairs?
   • Reinforcement learning and human preference modeling
   • Supervised response loss
   • A pretrained base model
   • Prompt-response examples
8. A tuned model follows the requested answer format. What does that behavior alone fail to establish?
   • That an output format was requested
   • That every factual statement in the answer is correct
   • That the model produced a response
   • That the response can be inspected