Kuis terkait panduan · Sedang Tingkat

Kuis Penyempurnaan Putar Mandiri

Jelajahi permainan mandiri dalam pelatihan Go dan model bahasa, bandingkan AlphaGo Zero dengan AlphaZero, dan periksa sinyal data tetap dan risiko data sintetis.

Jalur panduan terkaitPenyempurnaan Putar Mandiri
Pertanyaan 1 dari 8

Sistem terkenal mana yang mencapai permainan Go manusia super hanya dengan menggunakan permainan mandiri dan tanpa catatan permainan manusia?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Sistem terkenal mana yang mencapai permainan Go manusia super hanya dengan menggunakan permainan mandiri dan tanpa catatan permainan manusia?
    • AlfaGo Nol
    • Biru Tua
    • Watson
    • GPT-2
  2. Kalau di SPIN, peran 'lawan' apa yang harus dikalahkan sang model?
    • Model penghargaan terpisah yang dilatih oleh manusia
    • Pos pemeriksaan model sebelumnya dan respons yang dihasilkannya
    • Generator teks acak
    • Tokenizernya
  3. Apa keuntungan efisiensi data utama dari penyesuaian permainan mandiri?
    • Hal ini membutuhkan kumpulan data manusia baru di setiap putaran
    • Ini hanya berfungsi dengan data tak terbatas
    • Ini dapat mengekstraksi lebih banyak keuntungan dari kumpulan data tetap tanpa label manusia baru
    • Tidak memerlukan model sama sekali
  4. Dalam tujuan pelatihan SPIN, model apa yang didorong untuk dilakukan?
    • Lebih memilih jawaban yang dihasilkan sendiri daripada referensi manusia
    • Abaikan semua data manusia
    • Hafalkan set tes
    • Tetapkan kemungkinan yang lebih tinggi pada tanggapan referensi manusia dibandingkan keluaran sebelumnya
  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