Quiz lié à un guide · Moyen Niveau

Quiz de réglage fin en auto-jeu

Explorez le jeu personnel dans Go et la formation sur modèle linguistique, comparez AlphaGo Zero avec AlphaZero et examinez les signaux de données fixes et les risques liés aux données synthétiques.

Chemins de guidage associésRéglage fin du jeu autonome
Question 1 de 8

Quel système célèbre a atteint le niveau de jeu surhumain au Go en utilisant uniquement le jeu personnel et aucun enregistrement de jeu humain ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Quel système célèbre a atteint le niveau de jeu surhumain au Go en utilisant uniquement le jeu personnel et aucun enregistrement de jeu humain ?
    • AlphaGo Zéro
    • Bleu profond
    • Watson
    • GPT-2
  2. Dans SPIN, qu'est-ce qui joue le rôle de « l'adversaire » que le modèle doit battre ?
    • Un modèle de récompense distinct formé par l'homme
    • Le propre point de contrôle précédent du modèle et ses réponses générées
    • Un générateur de texte aléatoire
    • Le tokeniseur
  3. Quel est le principal avantage en termes d'efficacité des données du réglage fin de l'auto-jeu ?
    • Cela nécessite un tout nouvel ensemble de données humaines à chaque tour
    • Cela ne fonctionne qu'avec des données infinies
    • Il peut extraire plus de gains d'un ensemble de données fixe sans nouvelles étiquettes humaines
    • Il n'a besoin d'aucun modèle
  4. Dans l'objectif de formation de SPIN, à quoi le modèle est-il poussé ?
    • Préférer ses propres réponses générées aux références humaines
    • Ignorer toutes les données humaines
    • Mémoriser l'ensemble de test
    • Attribuer une probabilité plus élevée aux réponses de référence humaines qu'à ses propres résultats antérieurs
  5. Quelle paire de jeux le journal AlphaZero a-t-il démontré au-delà de ses expériences Go ?
    • 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