Questionário vinculado ao guia · Médio Nível

Questionário de ajuste fino de reprodução automática

Explore o autojogo em Go e o treinamento de modelo de linguagem, compare AlphaGo Zero com AlphaZero e examine sinais de dados fixos e riscos de dados sintéticos.

Caminhos de guia relacionadosAjuste fino de reprodução automática
Pergunta 1 de 8

Qual sistema famoso alcançou o jogo Go sobre-humano usando apenas o autojogo e nenhum registro de jogo humano?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual sistema famoso alcançou o jogo Go sobre-humano usando apenas o autojogo e nenhum registro de jogo humano?
    • Alfa Go Zero
    • Azul Profundo
    • Watson
    • GPT-2
  2. No SPIN, qual é o papel do “oponente” que o modelo deve vencer?
    • Um modelo separado de recompensa treinado por humanos
    • O próprio ponto de verificação anterior do modelo e suas respostas geradas
    • Um gerador de texto aleatório
    • O tokenizador
  3. Qual é a principal vantagem de eficiência de dados do ajuste fino de reprodução automática?
    • Requer um conjunto de dados humanos totalmente novo a cada rodada
    • Só funciona com dados infinitos
    • Pode extrair mais ganhos de um conjunto de dados fixo sem novos rótulos humanos
    • Não precisa de nenhum modelo
  4. No objetivo de treinamento do SPIN, o que o modelo é incentivado a fazer?
    • Prefira suas próprias respostas geradas a referências humanas
    • Ignore todos os dados humanos
    • Memorize o conjunto de testes
    • Atribuir maior probabilidade às respostas de referência humanas do que aos seus próprios resultados anteriores
  5. 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
  6. 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
  7. 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
  8. 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