انسٹرکشن ٹیوننگ کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. انسٹرکشن ٹیوننگ کے بغیر، ایک خام بیس ماڈل فوری طور پر 'فرانس کا دارالحکومت کیا ہے؟' کا جواب کیسے دے سکتا ہے؟
   • یہ ہمیشہ جواب دینے سے انکار کرتا ہے۔
   • یہ ایک غلطی واپس کرتا ہے۔
   • یہ جواب دینے کے بجائے مزید سوالات یا متعلقہ متن کے ساتھ جاری رکھ سکتا ہے۔
   • یہ ہر بار بالکل جواب دیتا ہے۔
2. انسٹرکشن ٹیوننگ کو بہترین طور پر بیان کیا گیا ہے:
   • انسانی آراء سے کمک سیکھنا
   • خام ویب متن پر پری ٹریننگ
   • درجہ حرارت کے پیرامیٹر کو ایڈجسٹ کرنا
   • ہدایات اور جوابی جوڑوں پر فائن ٹیوننگ کی نگرانی کی۔
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. جدید چیٹ اسسٹنٹ کے لیے تربیتی مراحل کا عام ترتیب کون سا ہے؟
   • RLHF، پھر پری ٹریننگ، پھر انسٹرکشن ٹیوننگ
   • ہدایات ٹیوننگ، پھر pretraining
   • صرف تربیت، اور کچھ نہیں۔
   • پہلے سے تربیت، پھر انسٹرکشن ٹیوننگ، پھر اختیاری 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