Вікторина, пов’язана з посібником · Середній Рівень

Вікторина «Рефлексія» та «Агенти самокоригування».

Перегляньте вербальну петлю зворотного зв’язку Reflexion, оцінювач, епізодичну пам’ять, масштаб тесту та ризики ненадійного зворотного зв’язку. Перевірте докази та обмеження.

Пов'язані напрямні шляхиРефлексія та самокорегуючі агенти
Питання 1 з 8

Що є визначальною характеристикою того, як «навчається» агент Reflexion?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що є визначальною характеристикою того, як «навчається» агент Reflexion?
    • Він зберігає письмові роздуми в контексті без зміни ваги моделі
    • Він оновлює ваги моделі шляхом тонкого налаштування
    • Він завантажує нову версію моделі після кожного збою
    • Він просить людину перемаркувати свої навчальні дані
  2. Що робить оцінювач у рамках Reflexion?
    • Він генерує наступну дію агента
    • Він оцінює результат спроби створити сигнал зворотного зв’язку
    • Він видаляє старі спогади, щоб заощадити місце
    • Він перекладає завдання іншою мовою
  3. Чому якість оцінювального сигналу так важлива в Reflexion?
    • Тому що це визначає швидкість навчання моделі
    • Оскільки він вирішує, скільки графічних процесорів використовується
    • Оскільки неправильний сигнал може змусити агента задуматися над неправильними уроками та підкріпити їх
    • Оскільки він задає температуру мовної моделі
  4. On which coding benchmark did the Reflexion paper report a 91% pass@1 result?
    • ImageNet
    • COCO detection
    • WMT translation
    • HumanEval
  5. Що є справжнім відкритим ризиком із самокоригуючими агентами?
    • Вони можуть нескінченно циклічно «виправляти» результат, який уже був правильним
    • Вони вимагають мічених даних для кожного маркера
    • Вони не можуть працювати на стандартному обладнанні
    • Вони остаточно псують базову модель
  6. 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
  7. 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
  8. 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