แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบตัวแทนการสะท้อนกลับและการแก้ไขตนเอง
ตรวจสอบวงจรการตอบรับด้วยวาจา ผู้ประเมิน หน่วยความจำตอน ขอบเขตการวัดประสิทธิภาพ และความเสี่ยงของการตอบรับที่ไม่น่าเชื่อถือ ตรวจสอบหลักฐานและวงเงิน
คำถาม 1 ของ 8
คุณลักษณะที่กำหนดว่าตัวแทน 'เรียนรู้' ของ Reflexion คืออะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- คุณลักษณะที่กำหนดว่าตัวแทน 'เรียนรู้' ของ Reflexion คืออะไร
- โดยจะจัดเก็บการสะท้อนที่เป็นลายลักษณ์อักษรในบริบทโดยไม่ต้องเปลี่ยนน้ำหนักแบบจำลอง
- โดยจะอัปเดตน้ำหนักของโมเดลผ่านการปรับแต่งแบบละเอียด
- โดยจะดาวน์โหลดเวอร์ชันโมเดลใหม่หลังจากเกิดความล้มเหลวในแต่ละครั้ง
- โดยขอให้มนุษย์ติดฉลากข้อมูลการฝึกใหม่
- ในกรอบงาน Reflexion Service Checker ทำหน้าที่อะไร?
- มันสร้างการดำเนินการถัดไปของตัวแทน
- โดยจะให้คะแนนผลลัพธ์ของความพยายามสร้างสัญญาณตอบรับ
- โดยจะลบความทรงจำเก่าๆ เพื่อประหยัดพื้นที่
- มันแปลงานเป็นภาษาอื่น
- เหตุใดคุณภาพของสัญญาณการประเมินจึงมีความสำคัญมากใน Reflexion
- เพราะมันเป็นตัวกำหนดอัตราการเรียนรู้ของโมเดล
- เพราะมันเป็นตัวกำหนดว่าจะใช้ GPU กี่ตัว
- เพราะสัญญาณที่ผิดอาจทำให้ตัวแทนไตร่ตรองและตอกย้ำบทเรียนที่ไม่ถูกต้องได้
- เพราะมันกำหนดอุณหภูมิของโมเดลภาษา
- กระดาษ Reflexion รายงานผล 91% pass@1 ตามมาตรฐานการเข้ารหัสใด
- อิมเมจเน็ต
- COCO detection
- WMT translation
- HumanEval
- ข้อใดคือความเสี่ยงแบบเปิดอย่างแท้จริงกับตัวแทนที่แก้ไขตัวเอง
- พวกเขาสามารถวนซ้ำเอาต์พุต 'แก้ไข' ที่ถูกต้องอยู่แล้วได้อย่างไม่สิ้นสุด
- พวกเขาต้องการข้อมูลที่มีป้ายกำกับสำหรับทุกโทเค็น
- ไม่สามารถทำงานบนฮาร์ดแวร์มาตรฐานได้
- พวกเขาทำให้โมเดลพื้นฐานเสียหายอย่างถาวร
- Where does Reflexion keep feedback for a later attempt?
- In updated model weights
- In an episodic memory buffer supplied as text context
- In a hardware cache shared across users
- In the original training corpus
- What is the role of the Actor in Reflexion?
- It changes the base model weights
- It authenticates citations automatically
- It generates the actions or attempt for the task
- It sets the benchmark score after the run
- What kinds of feedback can Reflexion use?
- Only gradient updates from fine-tuning
- Only human ratings in every task
- Only token likelihood from pretraining
- Signals such as scalar outcomes or language feedback from external or simulated sources