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.
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.
- Melyik híres rendszer érte el az emberfeletti Go play-t, kizárólag saját játékkal, emberi játékrekordok nélkül?
- AlphaGo Zero
- Mélykék
- Watson
- GPT-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
- 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
- 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
- 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
- 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
- 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
- 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