Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Önállóan játszható finomhangoló kvíz

Explore self-play in Go and language-model training, compare AlphaGo Zero with AlphaZero, and examine fixed-data signals and synthetic-data risks.

Kapcsolódó útmutató utakÖnálló lejátszás finomhangolás
kérdés 1 -ból 8

Melyik híres rendszer érte el az emberfeletti Go play-t, kizárólag saját játékkal, emberi játékrekordok nélkül?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Melyik híres rendszer érte el az emberfeletti Go play-t, kizárólag saját játékkal, emberi játékrekordok nélkül?
    • AlphaGo Zero
    • Mélykék
    • Watson
    • GPT-2
  2. A SPIN-ben mi játssza az „ellenfél” szerepét, akit a modellnek le kell győznie?
    • Külön ember által kiképzett jutalommodell
    • A modell saját korábbi ellenőrzőpontja és az általa generált válaszok
    • Véletlenszerű szöveggenerátor
    • A tokenizátor
  3. Mi az önjáték finomhangolás fő adathatékonysági előnye?
    • Minden körben vadonatúj emberi adatkészletre van szükség
    • Csak végtelen számú adattal működik
    • Több hasznot tud kinyerni egy rögzített adatkészletből új emberi címkék nélkül
    • Egyáltalán nem kell hozzá modell
  4. A SPIN képzési célkitűzésében mire van késztetve a modell?
    • Inkább a saját generált válaszokat részesítse előnyben az emberi hivatkozásokkal szemben
    • Figyelmen kívül hagyja az összes emberi adatot
    • Jegyezze meg a tesztkészletet
    • Rendeljen nagyobb valószínűséget az emberi referenciaválaszokhoz, mint a saját korábbi kimeneteihez
  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