Gids-gekoppelde quiz · Middelmatig Niveau
Zelf-afstemmingsquiz
Ontdek zelfspel in Go en taalmodeltraining, vergelijk AlphaGo Zero met AlphaZero en onderzoek signalen van vaste data en risico's van synthetische data.
Vraag 1 van 8
Welk beroemde systeem bereikte bovenmenselijk Go-spel met alleen zelfspel en geen menselijke spelrecords?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Welk beroemde systeem bereikte bovenmenselijk Go-spel met alleen zelfspel en geen menselijke spelrecords?
- AlphaGo Nul
- Diep blauw
- Watson
- GPT-2
- Wat speelt in SPIN de rol van de 'tegenstander' die het model moet verslaan?
- Een apart, door mensen getraind beloningsmodel
- Het eigen vorige controlepunt van het model en de gegenereerde reacties
- Een willekeurige tekstgenerator
- De tokenizer
- Wat is het belangrijkste data-efficiëntievoordeel van zelfafstemming?
- Het vereist elke ronde een gloednieuwe menselijke dataset
- Het werkt alleen met oneindige gegevens
- Het kan meer winst halen uit een vaste dataset zonder nieuwe menselijke labels
- Er is helemaal geen model voor nodig
- Waartoe wordt het model gedwongen in de trainingsdoelstelling van SPIN?
- Geef de voorkeur aan eigen gegenereerde antwoorden boven menselijke referenties
- Negeer alle menselijke gegevens
- Onthoud de testset
- Ken een grotere waarschijnlijkheid toe aan menselijke referentiereacties dan aan zijn eigen eerdere outputs
- 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