गाइड से जुड़ी प्रश्नोत्तरी · कठिन स्तर

आरएलएचएफ क्विज़ में समूहीकृत पुरस्कार सामान्यीकरण

जानें कि जीआरपीओ एक त्वरित समूह के भीतर नमूना प्रतिक्रियाओं की तुलना कैसे करता है, एक आलोचक को हटाता है, और नीति अपडेट के लिए पीपीओ-शैली उद्देश्य का उपयोग करता है।

संबंधित मार्गदर्शक पथआरएलएचएफ में समूहीकृत इनाम सामान्यीकरण
प्रश्न 1 का 8

समूहीकृत इनाम सामान्यीकरण में, प्रत्येक प्रतिक्रिया के इनाम की तुलना किससे की जाती है?

प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

  1. समूहीकृत इनाम सामान्यीकरण में, प्रत्येक प्रतिक्रिया के इनाम की तुलना किससे की जाती है?
    • अपने स्वयं के प्रॉम्प्ट समूह का माध्य और मानक विचलन
    • एक निश्चित वैश्विक स्थिरांक
    • पिछले युग का पुरस्कार
    • मॉडल की पैरामीटर गिनती
  2. कौन सा एल्गोरिदम समूहीकृत इनाम सामान्यीकरण से सबसे अधिक जुड़ा हुआ है?
    • स्टोकेस्टिक ग्रेडिएंट डिसेंट
    • जीआरपीओ (समूह सापेक्ष नीति अनुकूलन)
    • K- का अर्थ है क्लस्टरिंग
    • पश्चप्रचार
  3. जीआरपीओ मानक पीपीओ के किस घटक को विशेष रूप से समाप्त करता है?
    • इनाम मॉडल
    • तंत्रिका नेटवर्क पूरी तरह से
    • अलग मूल्य नेटवर्क (आलोचक)
    • प्रशिक्षण डेटा
  4. उस प्रतिक्रिया का क्या होता है जिसका इनाम उसके समूह के औसत से कम है?
    • इससे सकारात्मक लाभ मिलता है और इसे बल मिलता है
    • इसे डेटासेट से हटा दिया गया है
    • इसका सवाब दोगुना कर दिया जाता है
    • इसे नकारात्मक लाभ मिलता है और हतोत्साहित किया जाता है
  5. What does within-prompt reward normalization provide to a GRPO update?
    • A relative, scaled advantage for each response compared with others for the same prompt
    • A guarantee that all prompt difficulty differences disappear
    • A higher learning rate
    • A way to make every response receive the same reward
  6. What happens when every response in a prompt group receives the same reward?
    • Every response gets a positive advantage
    • Centering gives no relative advantage; zero spread also requires numerical handling
    • The group mean doubles the reward
    • The model stops needing a policy objective
  7. Which PPO-style update element does GRPO retain?
    • A separately learned value network
    • K-means clustering over tokens
    • A clipped policy objective
    • A language-model tokenizer
  8. What can a KL penalty relative to a reference policy help constrain in GRPO?
    • The number of prompts in each group
    • The length of the tokenizer vocabulary
    • The resolution of generated images
    • How far the updated policy drifts from the reference policy