Quiz dotyczący optymalizacji preferencji bezpośrednich

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co eliminuje DPO w porównaniu z tradycyjnym RLHF?
   • Oddzielny model nagrody i pętla uczenia się przez wzmacnianie
   • Potrzeba jakichkolwiek danych o ludzkich preferencjach
   • Podstawowy, wstępnie przeszkolony model języka
   • Zastosowanie logarytmu prawdopodobieństwa
2. Z jakich danych składa się pojedynczy przykład szkolenia DPO?
   • Szybki i numeryczny wynik nagrody
   • Podpowiedź z wybraną i odrzuconą odpowiedzią
   • Szybka i jedna poprawna odpowiedź
   • Tylko wynik modelu nagrody
3. Jaką rolę odgrywa model referencyjny w DPO?
   • Generuje odrzucone odpowiedzi
   • Ocenia odpowiedzi z wyraźnymi nagrodami
   • Jest to zamrożony poziom bazowy, względem którego mierzona jest polityka w celu ograniczenia dryfu
   • Zastępuje dane treningowe
4. How does the DPO loss use a labeled preference pair?
   • It regresses both responses to the same scalar target
   • It trains a separate value critic to predict token-level returns
   • It maximizes the rejected response without a reference
   • It increases the chosen response’s policy-versus-reference log-ratio relative to the rejected response
5. Co kontroluje parametr beta (temperatura) w DPO?
   • Jak mocno polityka jest utrzymywana blisko modelu referencyjnego
   • Szybkość uczenia się optymalizatora
   • Liczba par preferencji
   • Rozmiar słownictwa
6. Which alignment objective can learn from binary feedback that an output is desirable or undesirable?
   • PPO, which requires a value critic for every label
   • KTO, a prospect-theoretic objective for binary desirability feedback
   • DARTS, which searches differentiable network cells
   • Beam search, which changes model weights from rankings
7. In a standard DPO preference example, which response is preferred?
   • The response with more tokens by definition
   • The response with the lowest reference likelihood
   • The response selected by the preference labeler for the given prompt
   • A random response unrelated to the prompt
8. In DPO, what expression serves as the implicit reward for a response, up to an input-dependent constant?
   • A separately trained scalar reward-model head
   • A human-written point score for each token
   • The average sequence length of preference data
   • Beta times the policy/reference log-probability ratio