Test legat de ghid · Mediu Nivel

Test de reglare fină auto-play

Explore self-play in Go and language-model training, compare AlphaGo Zero with AlphaZero, and examine fixed-data signals and synthetic-data risks.

Căi de ghidare aferenteReglaj fin pentru redare automată
Întrebare 1 de 8

Care sistem celebru a ajuns la supraomen Go play folosind doar auto-play și fără înregistrări de joc umane?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Care sistem celebru a ajuns la supraomen Go play folosind doar auto-play și fără înregistrări de joc umane?
    • AlphaGo Zero
    • Deep Blue
    • Watson
    • GPT-2
  2. În SPIN, ce joacă rolul „adversarului” pe care modelul trebuie să-l învingă?
    • Un model separat de recompensă antrenat de oameni
    • Punctul de control anterior al modelului și răspunsurile sale generate
    • Un generator de text aleatoriu
    • Tokenizatorul
  3. Care este principalul avantaj de eficiență a datelor al reglajului auto-play?
    • Este nevoie de un set de date uman nou-nouț pentru fiecare rundă
    • Funcționează doar cu date infinite
    • Poate extrage mai multe câștiguri dintr-un set de date fix fără noi etichete umane
    • Nu are nevoie deloc de model
  4. În obiectivul de pregătire al SPIN, ce este împins modelul să facă?
    • Preferă propriile răspunsuri generate față de referințele umane
    • Ignorați toate datele umane
    • Memorați setul de testare
    • Atribuiți o probabilitate mai mare răspunsurilor de referință umane decât propriilor rezultate anterioare
  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