Quiz collegato alla guida · Medio Livello

Quiz di perfezionamento autogiocabile

Esplora il gioco personale in Go e la formazione sui modelli linguistici, confronta AlphaGo Zero con AlphaZero ed esamina i segnali di dati fissi e i rischi dei dati sintetici.

Domanda 1 di 8

Quale famoso sistema ha raggiunto il Go Play sovrumano utilizzando solo il gioco personale e senza record di gioco umani?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Quale famoso sistema ha raggiunto il Go Play sovrumano utilizzando solo il gioco personale e senza record di gioco umani?
    • AlphaGoZero
    • Blu profondo
    • Watson
    • GPT-2
  2. In SPIN, qual è il ruolo dell'"avversario" che il modello deve battere?
    • Un modello di ricompensa separato addestrato dall'uomo
    • Il checkpoint precedente del modello e le risposte generate
    • Un generatore di testo casuale
    • Il tokenizzatore
  3. Qual è il principale vantaggio in termini di efficienza dei dati derivante dalla messa a punto del self-play?
    • Richiede un nuovo set di dati umani ogni round
    • Funziona solo con dati infiniti
    • Può ottenere maggiori vantaggi da un set di dati fisso senza nuove etichette umane
    • Non ha bisogno di alcun modello
  4. Nell'obiettivo formativo di SPIN, cosa è spinto a fare il modello?
    • Preferire le risposte generate da sé rispetto ai riferimenti umani
    • Ignora tutti i dati umani
    • Memorizzare il set di prova
    • Assegnare una maggiore probabilità alle risposte di riferimento umane rispetto ai propri risultati precedenti
  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