Тест із точного налаштування вибірки відхилень

Відповіді та пояснення з’являються під час виконання тесту.

1. Який цикл найкраще описує, як тонке налаштування вибірки відхилення покращує модель?
   • Згенеруйте багато варіантів відповідей, зберігайте ті, що набрали найкращі результати, і перенавчайтеся на них
   • Видаліть найгірші шари моделі
   • Відкиньте всі тренувальні дані та почніть спочатку
   • Зразок один раз і завжди приймати результат
2. У сферах, які можна перевірити, як-от математика чи код, що може стати винагородою?
   • Лише вивчена модель винагороди
   • Чи відповідь правильна, чи тести успішні
   • Довжина відповіді
   • Кількість згенерованих токенів
3. Which model family does the cited paper describe using rejection sampling in its alignment pipeline?
   • GPT-4o
   • BERT Base
   • Meta’s Llama 2-Chat
   • Whisper Large
4. Why might a team choose rejection-sampling fine-tuning over a policy-gradient approach for some tasks?
   • It never needs a candidate generator or scoring rule
   • It guarantees no reward hacking
   • It always requires less compute than every RL method
   • It can use supervised learning on selected generations instead of updating through policy-gradient RL
5. Що ефективно робить навчання за зразками максимальної винагороди?
   • Переганяє найкращу з N якість у вихідні дані моделі
   • Збільшує словниковий запас
   • Вилучає здатність моделі генерувати текст
   • Подвоює кількість параметрів
6. What should teams monitor when repeatedly fine-tuning on filtered model-generated outputs?
   • Only the number of model parameters
   • Output diversity alongside held-out correctness
   • Whether every answer uses the same wording
   • Only the training loss on selected samples
7. What is a limitation of rejection-sampling fine-tuning’s candidate selection?
   • It can only be used with image labels
   • It always changes the tokenizer
   • It cannot train on a high-quality answer that was never generated or retained
   • It makes the scoring function unnecessary
8. What risk arises if the scoring model used to filter candidates is flawed?
   • The policy becomes unable to generate any text
   • The tokenizer automatically changes vocabulary
   • The reference labels become unnecessary
   • The policy may learn to exploit the scorer rather than improve the intended quality