Questionário de ajuste fino de amostragem de rejeição

As respostas e explicações aparecem conforme você responde ao teste.

1. Which loop best describes how Rejection Sampling Fine-Tuning improves a model?
   • Gere muitas respostas de candidatos, mantenha as com melhor pontuação e treine-as novamente
   • Exclua as camadas do modelo de pior desempenho
   • Rejeite todos os dados de treinamento e recomece
   • Experimente uma vez e sempre aceite a saída
2. Em domínios verificáveis como matemática ou código, o que pode servir como recompensa?
   • Apenas um modelo de recompensa aprendido
   • Se a resposta está correta ou se os testes foram aprovados
   • A duração da resposta
   • O número de tokens gerados
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. O treinamento nas amostras de recompensa máxima faz efetivamente o quê?
   • Destila a melhor qualidade de N nos resultados de amostra única do modelo
   • Aumenta o tamanho do vocabulário
   • Remove a capacidade do modelo de gerar texto
   • Duplica a contagem de parâmetros
6. What should teams monitor when repeatedly fine-tuning on filtered model-generated outputs?
   • Apenas o número de parâmetros do modelo
   • 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