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.

Связанные направляющие путиТочная настройка самостоятельной игры
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.

  1. 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
  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
  3. 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
  4. 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.
  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