Викторина, связанная с руководством · Средний Уровень
Тест на тонкую настройку для самостоятельной игры
Изучите самостоятельную игру в Го и обучение на языковых моделях, сравните AlphaGo Zero с AlphaZero и изучите сигналы фиксированных данных и риски, связанные с синтетическими данными.
Вопрос 1 из 8
Какая известная система достигла сверхчеловеческой игры в го, используя только самостоятельную игру и не используя записи человеческих игр?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Какая известная система достигла сверхчеловеческой игры в го, используя только самостоятельную игру и не используя записи человеческих игр?
- АльфаГоу Ноль
- Темно-синий
- Ватсон
- ГПТ-2
- Что играет роль «противника», которого должна победить модель в SPIN?
- Отдельная модель вознаграждения, обученная человеком.
- Собственная предыдущая контрольная точка модели и сгенерированные ею ответы.
- Генератор случайного текста
- Токенизатор
- В чем основное преимущество точной настройки самостоятельной игры в плане эффективности обработки данных?
- Каждый раунд требуется совершенно новый набор человеческих данных.
- Работает только с бесконечными данными
- Он может извлечь больше выгоды из фиксированного набора данных без новых человеческих ярлыков.
- Ему вообще не нужна модель
- Какова цель обучения SPIN?
- Предпочитайте собственные ответы, а не человеческие ссылки.
- Игнорировать все человеческие данные
- Запомните набор тестов
- Присвоить более высокую вероятность эталонным ответам человека, чем его собственным предыдущим результатам.
- 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
- 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
- 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
- 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