Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Penalaan Halus Main Sendiri

Terokai permainan kendiri dalam Go dan latihan model bahasa, bandingkan AlphaGo Zero dengan AlphaZero dan periksa isyarat data tetap dan risiko data sintetik.

Laluan panduan yang berkaitanMain Sendiri Penalaan Halus
soalan 1 daripada 8

Sistem terkenal manakah yang mencapai Go play manusia super hanya menggunakan permainan sendiri dan tiada rekod permainan manusia?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Sistem terkenal manakah yang mencapai Go play manusia super hanya menggunakan permainan sendiri dan tiada rekod permainan manusia?
    • AlphaGo Zero
    • Biru pekat
    • Watson
    • GPT-2
  2. Dalam SPIN, apakah yang memainkan peranan sebagai 'lawan' yang mesti ditewaskan oleh model itu?
    • Model ganjaran terlatih manusia yang berasingan
    • Pusat pemeriksaan model sebelumnya dan respons yang dihasilkannya
    • Penjana teks rawak
    • Tokenizer
  3. Apakah kelebihan kecekapan data utama penalaan halus main sendiri?
    • Ia memerlukan set data manusia yang serba baharu setiap pusingan
    • Ia hanya berfungsi dengan data yang tidak terhingga
    • Ia boleh mengekstrak lebih banyak keuntungan daripada set data tetap tanpa label manusia baharu
    • Ia tidak memerlukan model sama sekali
  4. Dalam objektif latihan SPIN, apakah model yang perlu dilakukan?
    • Lebih suka jawapan yang dijana sendiri daripada rujukan manusia
    • Abaikan semua data manusia
    • Menghafal set ujian
    • Tetapkan kemungkinan yang lebih tinggi kepada respons rujukan manusia berbanding dengan output terdahulunya sendiri
  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