แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการปรับแต่งการเล่นด้วยตนเอง

สำรวจการเล่นด้วยตนเองใน Go และการฝึกโมเดลภาษา เปรียบเทียบ AlphaGo Zero กับ AlphaZero และตรวจสอบสัญญาณข้อมูลคงที่และความเสี่ยงของข้อมูลสังเคราะห์

เส้นทางแนะนำที่เกี่ยวข้องการปรับแต่งการเล่นด้วยตนเอง
คำถาม 1 ของ 8

ระบบอันโด่งดังใดที่เข้าถึงเหนือมนุษย์ ไปเล่นโดยใช้การเล่นด้วยตนเองเท่านั้นและไม่มีบันทึกเกมของมนุษย์?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ระบบอันโด่งดังใดที่เข้าถึงเหนือมนุษย์ ไปเล่นโดยใช้การเล่นด้วยตนเองเท่านั้นและไม่มีบันทึกเกมของมนุษย์?
    • อัลฟ่าโกซีโร่
    • ดีพบลู
    • วัตสัน
    • GPT-2
  2. ใน SPIN อะไรมีบทบาทเป็น 'ฝ่ายตรงข้าม' ที่นางแบบต้องเอาชนะ?
    • โมเดลรางวัลที่ฝึกโดยมนุษย์แยกต่างหาก
    • จุดตรวจสอบก่อนหน้าของโมเดลและการตอบสนองที่สร้างขึ้น
    • เครื่องกำเนิดข้อความแบบสุ่ม
    • โทเค็นไนเซอร์
  3. อะไรคือข้อได้เปรียบหลักด้านประสิทธิภาพข้อมูลของการปรับแต่งการเล่นด้วยตนเอง?
    • ต้องใช้ชุดข้อมูลมนุษย์ใหม่เอี่ยมในแต่ละรอบ
    • ใช้งานได้กับข้อมูลที่ไม่มีที่สิ้นสุดเท่านั้น
    • สามารถดึงผลประโยชน์เพิ่มเติมจากชุดข้อมูลคงที่โดยไม่ต้องมีป้ายกำกับใหม่
    • มันไม่จำเป็นต้องมีโมเดลเลย
  4. ในวัตถุประสงค์การฝึกอบรมของ SPIN โมเดลถูกผลักดันให้ทำอะไร?
    • ชอบคำตอบที่สร้างขึ้นเองมากกว่าการอ้างอิงโดยมนุษย์
    • ละเว้นข้อมูลของมนุษย์ทั้งหมด
    • จำชุดทดสอบ
    • กำหนดความเป็นไปได้สูงต่อการตอบสนองต่อการอ้างอิงโดยมนุษย์มากกว่าผลลัพธ์ก่อนหน้าของตัวเอง
  5. เอกสาร AlphaZero สาธิตเกมคู่ใดนอกเหนือจากการทดลอง Go
    • 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