Kuis Penyempurnaan Pengambilan Sampel Penolakan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Loop manakah yang paling tepat menggambarkan bagaimana Penyempurnaan Pengambilan Sampel Penolakan meningkatkan model?
   • Hasilkan banyak jawaban kandidat, pertahankan jawaban dengan skor terbaik, dan latih kembali jawaban tersebut
   • Hapus lapisan model dengan kinerja terburuk
   • Tolak semua data pelatihan dan mulai lagi dari awal
   • Ambil sampel sekali dan selalu terima hasilnya
2. Dalam domain yang dapat diverifikasi seperti matematika atau kode, apa yang bisa menjadi imbalannya?
   • Hanya model hadiah yang dipelajari
   • Apakah jawabannya benar atau ujiannya lulus
   • Panjang responsnya
   • Jumlah token yang dihasilkan
3. Which model family does the cited paper describe using rejection sampling in its alignment pipeline?
   • GPT-4o
   • BERT Base
   • Meta’s Llama 2-Chat
   • Whisper Large
4. Why might a team choose rejection-sampling fine-tuning over a policy-gradient approach for some tasks?
   • It never needs a candidate generator or scoring rule
   • It guarantees no reward hacking
   • It always requires less compute than every RL method
   • It can use supervised learning on selected generations instead of updating through policy-gradient RL
5. Pelatihan tentang sampel dengan imbalan maksimum secara efektif menghasilkan apa?
   • Menyaring kualitas terbaik dari N ke dalam keluaran sampel tunggal model
   • Meningkatkan ukuran kosakata
   • Menghapus kemampuan model untuk menghasilkan teks
   • Menggandakan jumlah parameter
6. What should teams monitor when repeatedly fine-tuning on filtered model-generated outputs?
   • Only the number of model parameters
   • Output diversity alongside held-out correctness
   • Whether every answer uses the same wording
   • Only the training loss on selected samples
7. What is a limitation of rejection-sampling fine-tuning’s candidate selection?
   • It can only be used with image labels
   • It always changes the tokenizer
   • It cannot train on a high-quality answer that was never generated or retained
   • It makes the scoring function unnecessary
8. What risk arises if the scoring model used to filter candidates is flawed?
   • The policy becomes unable to generate any text
   • The tokenizer automatically changes vocabulary
   • The reference labels become unnecessary
   • The policy may learn to exploit the scorer rather than improve the intended quality