กลับไปที่แบบทดสอบทั้งหมดแบบทดสอบที่เชื่อมโยงกับคำแนะนำปานกลาง ระดับ6 คำถาม

แบบทดสอบการเพิ่มประสิทธิภาพนโยบายใกล้เคียง

ทดสอบความเข้าใจของคุณว่า PPO รักษาเสถียรภาพการเรียนรู้แบบเสริมและบทบาทของมันใน RLHF ได้อย่างไร

เส้นทางแนะนำที่เกี่ยวข้อง

คำถาม 1 ของ 6ถูกต้อง: 0

'การตัด' ของ PPO แก้ไขปัญหาอะไรเป็นหลัก