가이드 연계 퀴즈 · 중간 레벨

셀프 플레이 미세 조정 퀴즈

Go의 셀프 플레이와 언어 모델 훈련을 살펴보고, AlphaGo Zero와 AlphaZero를 비교하고, 고정 데이터 신호와 합성 데이터 위험을 조사하세요.

관련 가이드 경로셀프 플레이 미세 조정
질문 1 의 8

인간의 게임 기록 없이 셀프 플레이만 사용하여 초인적인 바둑 플레이에 도달한 유명한 시스템은 무엇입니까?

모든 질문 미리보기8 질문

퀴즈를 풀면 정답과 설명이 나타납니다.

  1. 인간의 게임 기록 없이 셀프 플레이만 사용하여 초인적인 바둑 플레이에 도달한 유명한 시스템은 무엇입니까?
    • 알파고 제로
    • 딥블루
    • 왓슨
    • GPT-2
  2. SPIN에서 모델이 반드시 이겨야 할 '상대'의 역할은 무엇인가요?
    • 인간이 훈련한 별도의 보상 모델
    • 모델 자체의 이전 체크포인트 및 생성된 응답
    • 임의의 텍스트 생성기
    • 토크나이저
  3. 셀프 플레이 미세 조정의 주요 데이터 효율성 이점은 무엇입니까?
    • 매 라운드마다 새로운 인간 데이터세트가 필요합니다.
    • 무한한 데이터에서만 작동합니다.
    • 새로운 사람의 라벨 없이 고정된 데이터 세트에서 더 많은 이득을 추출할 수 있습니다.
    • 모델이 전혀 필요하지 않습니다.
  4. SPIN의 훈련 목표에서 모델은 무엇을 하도록 추진되나요?
    • 인간의 참조보다 자체 생성된 답변을 선호합니다.
    • 인간의 모든 데이터를 무시하세요
    • 테스트 세트를 기억하세요
    • 자체 이전 출력보다 인간 참조 응답에 더 높은 가능성을 할당합니다.
  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