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.
- 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
- 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
- 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
- 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
- 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