Gids-gekoppelde quiz · Middelmatig Niveau
Quiz over reflectie en zelfcorrigerende agenten
Beoordeel Reflexion’s verbale feedback‑lus, evaluator, episodisch geheugen, benchmark‑scope, en risico’s van onbetrouwbare feedback. Controleer bewijs en limieten.
Vraag 1 van 8
Wat is het bepalende kenmerk van de manier waarop een reflexieagent 'leert'?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is het bepalende kenmerk van de manier waarop een reflexieagent 'leert'?
- Het slaat geschreven reflecties in context op zonder de modelgewichten te veranderen
- Het werkt de gewichten van het model bij door middel van fijnafstemming
- Na elke fout wordt een nieuwe modelversie gedownload
- Het vraagt een mens om zijn trainingsgegevens opnieuw te labelen
- Wat doet de Evaluator in het Reflexion-raamwerk?
- Het genereert de volgende actie van de agent
- Het scoort de uitkomst van een poging om een feedbacksignaal te produceren
- Het verwijdert oude herinneringen om ruimte te besparen
- Het vertaalt de taak in een andere taal
- Waarom is de kwaliteit van het evaluatiesignaal zo belangrijk in Reflexion?
- Omdat het de leersnelheid van het model bepaalt
- Omdat het bepaalt hoeveel GPU's er worden gebruikt
- Omdat een verkeerd signaal de agent kan doen nadenken over onjuiste lessen en deze kan versterken
- Omdat het de temperatuur van het taalmodel bepaalt
- On which coding benchmark did the Reflexion paper report a 91% pass@1 result?
- BeeldNet
- COCO detection
- WMT translation
- MenselijkEval
- Wat is een echt open risico bij zelfcorrigerende middelen?
- Ze kunnen eindeloos een lus maken en uitvoer die al correct was, 'repareren'
- Ze vereisen gelabelde gegevens voor elk token
- Ze kunnen niet op standaardhardware draaien
- Ze corrumperen het basismodel permanent
- Where does Reflexion keep feedback for a later attempt?
- In updated model weights
- In an episodic memory buffer supplied as text context
- In a hardware cache shared across users
- In the original training corpus
- What is the role of the Actor in Reflexion?
- It changes the base model weights
- It authenticates citations automatically
- It generates the actions or attempt for the task
- It sets the benchmark score after the run
- What kinds of feedback can Reflexion use?
- Only gradient updates from fine-tuning
- Only human ratings in every task
- Only token likelihood from pretraining
- Signals such as scalar outcomes or language feedback from external or simulated sources