Kuis terkait panduan · Sedang Tingkat

Kuis Agen Refleksi dan Koreksi Diri

Tinjau putaran umpan balik verbal Reflexion, evaluator, memori episodik, cakupan tolok ukur, dan risiko umpan balik yang tidak dapat diandalkan. Periksa bukti dan batasannya.

Jalur panduan terkaitAgen Refleksi Dan Koreksi Diri
Pertanyaan 1 dari 8

Apa ciri khas bagaimana agen Refleksi 'belajar'?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa ciri khas bagaimana agen Refleksi 'belajar'?
    • Ini menyimpan refleksi tertulis dalam konteks tanpa mengubah bobot model
    • Ini memperbarui bobot model melalui penyesuaian
    • Ia mengunduh versi model baru setelah setiap kegagalan
    • Ia meminta manusia untuk memberi label ulang pada data pelatihannya
  2. Dalam kerangka Refleksi, apa yang dilakukan Evaluator?
    • Ini menghasilkan tindakan agen selanjutnya
    • Ini menilai hasil dari upaya untuk menghasilkan sinyal umpan balik
    • Ini menghapus kenangan lama untuk menghemat ruang
    • Ini menerjemahkan tugas ke bahasa lain
  3. Mengapa kualitas sinyal evaluasi sangat penting dalam Reflexion?
    • Karena itu menentukan kecepatan pemelajaran model
    • Karena menentukan berapa banyak GPU yang digunakan
    • Karena sinyal yang salah bisa membuat agen merenungkan dan memperkuat pelajaran yang salah
    • Karena ini mengatur suhu model bahasa
  4. On which coding benchmark did the Reflexion paper report a 91% pass@1 result?
    • GambarNet
    • COCO detection
    • WMT translation
    • Evaluasi Manusia
  5. Manakah yang benar-benar merupakan risiko terbuka pada agen yang dapat mengoreksi diri sendiri?
    • Mereka dapat mengulang tanpa henti 'memperbaiki' keluaran yang sudah benar
    • Mereka memerlukan data berlabel untuk setiap token
    • Mereka tidak dapat berjalan pada perangkat keras standar
    • Mereka secara permanen merusak model dasar
  6. Where does Reflexion keep feedback for a later attempt?
    • In updated model weights
    • In an episodic memory buffer supplied as text context
    • In a hardware cache shared across users
    • In the original training corpus
  7. What is the role of the Actor in Reflexion?
    • It changes the base model weights
    • It authenticates citations automatically
    • It generates the actions or attempt for the task
    • It sets the benchmark score after the run
  8. What kinds of feedback can Reflexion use?
    • Only gradient updates from fine-tuning
    • Only human ratings in every task
    • Only token likelihood from pretraining
    • Signals such as scalar outcomes or language feedback from external or simulated sources