Вікторина з налаштування інструкцій

Відповіді та пояснення з’являються під час виконання тесту.

1. Без налаштування інструкцій, як може необроблена базова модель реагувати на запит «Яка столиця Франції?»
   • Завжди відмовляється відповідати
   • Він повертає помилку
   • Замість відповіді може продовжуватися більше запитань або пов’язаний текст
   • Кожен раз відповідає ідеально
2. Налаштування інструкцій найкраще описується як:
   • Навчання з підкріпленням на основі відгуків людини
   • Попереднє навчання необробленому веб-тексту
   • Регулювання температурного параметра
   • Точне налаштування пар «інструкція-відповідь» під наглядом
3. How does supervised instruction tuning differ from reward-model-based RLHF in the published InstructGPT recipe?
   • It is exactly the same optimization stage
   • It trains against reference responses, while the later preference stages use comparisons and a reward model
   • It requires no training examples
   • It only changes a sampling temperature
4. Why do instruction-tuning researchers evaluate models on held-out tasks and instructions?
   • To assess generalization beyond the examples used for training
   • To prove that every unseen task will succeed
   • To avoid checking any generated responses
   • To guarantee the same accuracy for every task mixture
5. Який типовий порядок етапів навчання для сучасного помічника в чаті?
   • RLHF, потім попередня підготовка, потім настройка інструкцій
   • Налаштування інструкцій, потім попереднє навчання
   • Тільки попередня підготовка, більше нічого
   • Попереднє навчання, потім налаштування інструкцій, потім необов’язковий RLHF
6. What does LIMA's curated-data experiment support as a research conclusion?
   • Exactly 1,000 examples are enough for every model and task
   • More data can never help any instruction-tuned model
   • Carefully selected small datasets can be effective in an evaluated configuration
   • Only synthetic examples can train an assistant
7. Which training stage did the original LIMA experiment omit while using its 1,000 curated prompt-response pairs?
   • Reinforcement learning and human preference modeling
   • Supervised response loss
   • A pretrained base model
   • Prompt-response examples
8. A tuned model follows the requested answer format. What does that behavior alone fail to establish?
   • That an output format was requested
   • That every factual statement in the answer is correct
   • That the model produced a response
   • That the response can be inspected