Инструкция по настройке Викторина

Ответы и пояснения появляются по мере прохождения теста.

1. Без настройки инструкций как могла бы необработанная базовая модель ответить на вопрос «Какая столица Франции?»
   • Всегда отказывается отвечать
   • Он возвращает ошибку
   • Вместо ответа может продолжаться больше вопросов или связанный текст.
   • Он каждый раз отлично отвечает
2. Настройка инструкций лучше всего описывается как:
   • Обучение с подкреплением на основе отзывов людей
   • Предварительное обучение работе с необработанным веб-текстом
   • Регулировка температурного параметра
   • Контролируемая точная настройка пар «инструкция-ответ»
3. How does supervised instruction tuning differ from reward-model-based RLHF in the published InstructGPT recipe?
   • It is exactly the same optimization stage
   • It trains against reference responses, while the later preference stages use comparisons and a reward model
   • It requires no training examples
   • It only changes a sampling temperature
4. Why do instruction-tuning researchers evaluate models on held-out tasks and instructions?
   • To assess generalization beyond the examples used for training
   • To prove that every unseen task will succeed
   • To avoid checking any generated responses
   • To guarantee the same accuracy for every task mixture
5. Каков типичный порядок этапов обучения современного чат-ассистента?
   • RLHF, затем предварительная подготовка, затем настройка инструкций
   • Инструктаж по настройке, затем предварительная подготовка
   • Только предварительная подготовка и ничего больше
   • Предварительная подготовка, затем настройка инструкций, затем дополнительный RLHF.
6. What does LIMA's curated-data experiment support as a research conclusion?
   • Exactly 1,000 examples are enough for every model and task
   • More data can never help any instruction-tuned model
   • Carefully selected small datasets can be effective in an evaluated configuration
   • Only synthetic examples can train an assistant
7. Which training stage did the original LIMA experiment omit while using its 1,000 curated prompt-response pairs?
   • Reinforcement learning and human preference modeling
   • Supervised response loss
   • A pretrained base model
   • Prompt-response examples
8. A tuned model follows the requested answer format. What does that behavior alone fail to establish?
   • That an output format was requested
   • That every factual statement in the answer is correct
   • That the model produced a response
   • That the response can be inspected