Test de reglare fină de eșantionare de respingere

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Which loop best describes how Rejection Sampling Fine-Tuning improves a model?
   • Generați mai multe răspunsuri ale candidaților, păstrați-le pe cele cu cele mai bune scoruri și reînvățați-le
   • Ștergeți straturile modelului cu cele mai proaste performanțe
   • Respinge toate datele de antrenament și începe de la capăt
   • Eșantionați o dată și acceptați întotdeauna rezultatul
2. În domenii verificabile, cum ar fi matematica sau codul, ce poate servi drept recompensă?
   • Numai un model de recompensă învățat
   • Indiferent dacă răspunsul este corect sau dacă testele au trecut
   • Lungimea răspunsului
   • Numărul de jetoane generate
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. Ce face efectiv antrenamentul pe eșantioanele cu recompensă maximă?
   • Distilează cea mai bună calitate a N în rezultatele unui singur eșantion ale modelului
   • Mărește dimensiunea vocabularului
   • Elimină capacitatea modelului de a genera text
   • Dublează numărul de parametri
6. What should teams monitor when repeatedly fine-tuning on filtered model-generated outputs?
   • Doar numărul de parametri ai modelului
   • 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