← กลับไปที่แบบทดสอบทั้งหมดแบบทดสอบที่เชื่อมโยงกับคำแนะนำ • ปานกลาง ระดับ • 6 คำถาม

แบบทดสอบการเพิ่มประสิทธิภาพนโยบายใกล้เคียง

ทดสอบความเข้าใจของคุณว่า PPO รักษาเสถียรภาพการเรียนรู้แบบเสริมและบทบาทของมันใน RLHF ได้อย่างไร

เส้นทางแนะนำที่เกี่ยวข้องการเพิ่มประสิทธิภาพนโยบายที่ใกล้เคียง
คำถาม 1 ของ 6

'การตัด' ของ PPO แก้ไขปัญหาอะไรเป็นหลัก