Викторина по точной настройке выборки отклонений

Ответы и пояснения появляются по мере прохождения теста.

1. Which loop best describes how Rejection Sampling Fine-Tuning improves a model?
   • Сгенерируйте множество ответов кандидатов, сохраните самые результативные и переобучайтесь по ним.
   • Удалите слои модели с наихудшей производительностью.
   • Отклонить все данные обучения и начать заново
   • Делайте выборку один раз и всегда принимайте результат
2. Что может служить наградой в поддающихся проверке областях, таких как математика или программирование?
   • Только изученная модель вознаграждения
   • Правильный ли ответ или тесты пройдены
   • Длина ответа
   • Количество сгенерированных токенов
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. Что эффективно дает обучение на образцах с максимальным вознаграждением?
   • Преобразует лучшее из N качество в выходные данные модели с одной выборкой.
   • Увеличивает размер словарного запаса
   • Удаляет способность модели генерировать текст.
   • Удваивает количество параметров
6. What should teams monitor when repeatedly fine-tuning on filtered model-generated outputs?
   • Только количество параметров модели
   • 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