Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra tinh chỉnh tự chơi

Khám phá khả năng tự chơi cờ vây và đào tạo theo mô hình ngôn ngữ, so sánh AlphaGo Zero với AlphaZero và kiểm tra các tín hiệu dữ liệu cố định cũng như rủi ro dữ liệu tổng hợp.

Đường dẫn hướng dẫn liên quanTự chơi tinh chỉnh
Câu hỏi 1 của 8

Hệ thống nổi tiếng nào đã đạt đến trình độ chơi cờ vây siêu phàm chỉ bằng cách tự chơi và không có hồ sơ trò chơi của con người?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Hệ thống nổi tiếng nào đã đạt đến trình độ chơi cờ vây siêu phàm chỉ bằng cách tự chơi và không có hồ sơ trò chơi của con người?
    • AlphaGo Zero
    • Màu xanh đậm
    • Watson
    • GPT-2
  2. Trong SPIN, vai trò của “đối thủ” mà người mẫu phải đánh bại là gì?
    • Một mô hình khen thưởng riêng biệt do con người đào tạo
    • Điểm kiểm tra trước đó của mô hình và các phản hồi được tạo ra của nó
    • Trình tạo văn bản ngẫu nhiên
    • Công cụ mã thông báo
  3. Lợi thế hiệu quả dữ liệu chính của việc tinh chỉnh tự phát là gì?
    • Nó yêu cầu một tập dữ liệu con người hoàn toàn mới mỗi vòng
    • Nó chỉ hoạt động với dữ liệu vô hạn
    • Nó có thể thu được nhiều lợi ích hơn từ một tập dữ liệu cố định mà không cần nhãn con người mới
    • Nó không cần mô hình nào cả
  4. Trong mục tiêu đào tạo của SPIN, mô hình được thúc đẩy làm gì?
    • Thích các câu trả lời do chính nó tạo ra hơn là các tài liệu tham khảo của con người
    • Bỏ qua tất cả dữ liệu của con người
    • Ghi nhớ bộ kiểm tra
    • Chỉ định khả năng phản hồi tham chiếu của con người cao hơn so với kết quả đầu ra trước đó của chính nó
  5. Which pair of games did the AlphaZero paper demonstrate beyond its Go experiments?
    • 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