Cuestionario vinculado a una guía · Medio Nivel

Prueba de ajuste fino autojugada

Explore el juego autónomo en Go y el entrenamiento de modelos de lenguaje, compare AlphaGo Zero con AlphaZero y examine las señales de datos fijos y los riesgos de los datos sintéticos.

Rutas de guía relacionadasAjuste fino de reproducción automática
Pregunta 1 de 8

¿Qué sistema famoso alcanzó el juego Go sobrehumano usando solo el juego automático y sin registros de juegos humanos?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué sistema famoso alcanzó el juego Go sobrehumano usando solo el juego automático y sin registros de juegos humanos?
    • AlfaGo cero
    • azul profundo
    • watson
    • GPT-2
  2. En SPIN, ¿qué desempeña el papel del "oponente" al que el modelo debe vencer?
    • Un modelo de recompensa separado entrenado por humanos
    • El punto de control previo del propio modelo y sus respuestas generadas.
    • Un generador de texto aleatorio
    • El tokenizador
  3. ¿Cuál es la principal ventaja de eficiencia de datos del ajuste fino de reproducción automática?
    • Requiere un nuevo conjunto de datos humanos en cada ronda.
    • Sólo funciona con datos infinitos.
    • Puede extraer más beneficios de un conjunto de datos fijo sin nuevas etiquetas humanas
    • No necesita ningún modelo
  4. En el objetivo de capacitación de SPIN, ¿qué debe hacer el modelo?
    • Prefiere sus propias respuestas generadas a las referencias humanas.
    • Ignora todos los datos humanos
    • Memorizar el conjunto de prueba
    • Asignar una mayor probabilidad a las respuestas de referencia humana que a sus propios resultados anteriores.
  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