Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ βελτιστοποίησης Kahneman-Tversky

Ελέγχει τη δυαδική ανατροφοδότηση επιθυμίας του KTO, το κίνητρο της θεωρίας προοπτικής, τις ανταμοιβές σημείων αναφοράς και τα όρια μεταξύ των ρυθμίσεων.

Σχετικές διαδρομές οδηγώνΒελτιστοποίηση Kahneman Tversky
Ερώτηση 1 του 8

Τι είδους δεδομένα απαιτεί η KTO;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι είδους δεδομένα απαιτεί η KTO;
    • Δυαδικές επιθυμητές/ανεπιθύμητες ετικέτες σε μεμονωμένες εξόδους
    • Κατάταξη ζεύγη επιλεγμένων και απορριφθέντων απαντήσεων
    • Μόνο κείμενο χωρίς ετικέτα
    • Αριθμητικές βαθμολογίες ανταμοιβής από 0 έως 100
  2. Από ποιο σώμα εμπνέεται το KTO;
    • Η σχετικότητα του Αϊνστάιν
    • Η θεωρία της προοπτικής των Kahneman και Tversky
    • Η εξέλιξη του Δαρβίνου
    • Η θεωρία πληροφοριών του Shannon
  3. Τι είναι η «αποστροφή απώλειας» όπως χρησιμοποιείται στο KTO;
    • Αποφυγή οποιασδήποτε λειτουργίας απώλειας εντελώς
    • Αρνούμενος να προπονηθεί στις απώλειες
    • Η τιμωρία των ανεπιθύμητων αποτελεσμάτων πιο αυστηρά από την επιβράβευση των επιθυμητών
    • Κάνοντας το ποσοστό μάθησης αρνητικό
  4. What kind of feedback can KTO learn from without requiring paired comparisons?
    • Only a ranked list of five outputs
    • Only a reference translation
    • Only a token-level grammar mask
    • A binary label indicating whether an individual output is desirable
  5. Στο KTO, οι αποκλίσεις μετρώνται σε σχέση με τι;
    • Ένα σημείο αναφοράς ή ένα βασικό επίπεδο ανταμοιβής
    • Ο συνολικός αριθμός παραμέτρων
    • Η θερμοκρασία της GPU
    • Το μέγεθος του λεξιλογίου
  6. What does the KTO reference point help define?
    • The number of transformer layers
    • Whether an output’s implicit reward is above or below a baseline
    • A fixed translation in another language
    • The model’s maximum context length
  7. Does KTO’s use of binary desirability feedback prove it will outperform preference-pair methods?
    • Yes, binary feedback is always superior
    • Yes, it eliminates the need to train a model
    • No; performance depends on the model, data, and evaluation setting
    • No, because binary feedback cannot be used for language models
  8. Which behavioral-economics framework motivates KTO?
    • Classical signal detection theory
    • Bayesian network structure learning
    • The efficient-market hypothesis
    • Kahneman and Tversky’s prospect theory