引导式测验 · 中等等级

微调测验

检查检索服务策略、数据集权限、保留评估、参数选择、回归检查和回滚时进行哪些微调更改。

与在提示中添加示例不同，微调期间会发生哪些变化？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

与在提示中添加示例不同，微调期间会发生哪些变化？
- 通过进一步训练更新现有模型的学习参数
- 仅当前请求文本发生变化，而模型参数保持不变
- 在应答时获取当前文档而不更改模型
- 模型的输出在生成后进行编辑，无需训练
支持助理写得很清楚，但必须使用每周更新的政策。哪个第一个测试最适合该指南？
- 每次策略编辑后重新训练模型，然后再考虑其他选项
- 将旧策略放入训练示例中并依赖模型召回
- 在应答时检索当前策略并评估其使用情况
- 仅调整模型的输出风格并假设政策事实保持最新
模型反复错过稳定的响应格式。在做出微调决定之前应该进行哪些比较？
- 仅比较微调检查点的训练损失
- 将即时更改与仔细评估的微调数据集进行比较
- 用更多的训练示例替换保留的评估集
- 假设检索不相关的文档将修复格式
为什么评估集应该与微调数据和调整决策分开？
- 根据定义使训练集包含更少的标签
- 确保每个输出都会引用来源
- 避免记录基本模型版本
- 测量未用于拟合或选择模型的示例的行为
在微调之前，指南需要检查哪些数据集？
- 仅训练作业是否可以解析每条记录
- 标签、重复记录、权限和机密信息
- 仅示例是否具有所需的输出长度
- 仅数据集是否大于模型的上下文窗口
方法仅训练模型参数的子集。什么要求仍然适用？
- 评估应保持完整的目标任务和能力
- 假设较低的内存使用证明每项任务的质量相同
- 跳过保留的组，因为重量变化较少
- 将训练损失视为完整的安全评估
微调后的模型改进了目标分类器，但在不相关的任务上表现较差。这说明什么？
- 模型一定收到了无效的提示
- 如果训练损失下降，则无需进行测试
- 这种检索永远无法与微调模型一起使用
- 一项测量行为的进步可能会带来其他地方的倒退
团队应该记录什么才能使微调的版本可审查和可逆？
- 只有最终的训练损失和公开模型名称
- 仅在一次成功演示期间使用的提示
- 基础模型、数据集版本、训练设置、检查点和回滚计划
- 只有例子的数量和选择的学习率