Quiz dostrajający próbkę odrzucenia

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Which loop best describes how Rejection Sampling Fine-Tuning improves a model?
   • Wygeneruj wiele odpowiedzi kandydatów, zachowaj te z najlepszymi wynikami i przekwalifikuj się na nich
   • Usuń najgorzej działające warstwy modelu
   • Odrzuć wszystkie dane treningowe i zacznij od nowa
   • Próbuj raz i zawsze akceptuj wynik
2. Co w sprawdzalnych dziedzinach, takich jak matematyka czy kod, może służyć jako nagroda?
   • Tylko wyuczony model nagrody
   • Niezależnie od tego, czy odpowiedź jest prawidłowa, czy testy zaliczone
   • Długość odpowiedzi
   • Liczba wygenerowanych tokenów
3. Which model family does the cited paper describe using rejection sampling in its alignment pipeline?
   • GPT-4o
   • BERT Base
   • Meta’s Llama 2-Chat
   • Whisper Large
4. Why might a team choose rejection-sampling fine-tuning over a policy-gradient approach for some tasks?
   • It never needs a candidate generator or scoring rule
   • It guarantees no reward hacking
   • It always requires less compute than every RL method
   • It can use supervised learning on selected generations instead of updating through policy-gradient RL
5. Co skutecznie daje szkolenie na próbkach zapewniających maksymalną nagrodę?
   • Destyluje najlepszą jakość N w pojedynczych próbkach modelu
   • Zwiększa objętość słownictwa
   • Usuwa zdolność modelu do generowania tekstu
   • Podwaja liczbę parametrów
6. What should teams monitor when repeatedly fine-tuning on filtered model-generated outputs?
   • Only the number of model parameters
   • Output diversity alongside held-out correctness
   • Whether every answer uses the same wording
   • Only the training loss on selected samples
7. What is a limitation of rejection-sampling fine-tuning’s candidate selection?
   • It can only be used with image labels
   • It always changes the tokenizer
   • It cannot train on a high-quality answer that was never generated or retained
   • It makes the scoring function unnecessary
8. What risk arises if the scoring model used to filter candidates is flawed?
   • The policy becomes unable to generate any text
   • The tokenizer automatically changes vocabulary
   • The reference labels become unnecessary
   • The policy may learn to exploit the scorer rather than improve the intended quality