Kvíz spojený s průvodcem · Střední úroveň
AI halucinační kvíz
Zkontrolujte plynulou výrobu, věrnost zdroje, limity vyhledávání, ověřování citací a hodnocení tvrzení o faktické spolehlivosti založené na důkazech.
Otázka 1 z 8
Proč samotná předpověď dalšího tokenu nedokáže ověřit faktické tvrzení ve vygenerované odpovědi?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Proč samotná předpověď dalšího tokenu nedokáže ověřit faktické tvrzení ve vygenerované odpovědi?
- Každý model je připojen pouze k nespolehlivým webům
- Všichni uživatelé kladou gramaticky nesprávné otázky
- Věrohodné pokračování není totéž jako důkaz, že tvrzení je pravdivé
- Plynulá odpověď automaticky potvrzuje skutečnost
- Proč jsou halucinace obzvlášť nebezpečné?
- Jsou vždy psány nefunkční gramatikou, takže je uživatelé ignorují
- Objevují se pouze v chybových zprávách
- Způsobují pád modelu
- Jsou dodávány plynule a s jistotou, takže chyby snadno přehlédnete
- Odstraňuje rozšířená generace (RAG) zcela halucinace?
- Ano, RAG garantuje věcné odpovědi
- Ne, modely mohou stále odporovat nebo ignorovat hlučný nebo konfliktní načtený text
- Ano, ale pouze o víkendech
- Ne, protože RAG nikdy neposkytuje žádné dokumenty
- Jaký je skutečný příklad halucinace?
- Model citující soudní případ, který neexistuje
- Modelka odmítá odpovědět na otázku
- Modelka klade upřesňující otázku
- Model vrací prázdnou odpověď
- Which workflow can help check a generated factual answer?
- Trust every citation because it looks formal
- Treat a low sampling temperature as proof of correctness
- Hide the evidence so the answer is easier to read
- Retrieve relevant material and verify whether its statements and citations support the claims
- How should a claim that a new model has eliminated hallucinations be assessed?
- Accept it solely because the announcement sounds confident
- Assume one successful example proves every application
- Use defined tasks, evidence, and measurement conditions rather than assume universal reliability
- Judge only whether the model produces polished prose
- A generated answer cites a real page, but the page does not support the associated factual statement. What remains unverified?
- The support for that particular claim
- Whether a URL can be opened
- Whether the model used fluent sentences
- Whether the citation contains text
- A supplied document says delivery takes five business days, but its generated summary says two. Which check reveals the error?
- Counting how many sentences the summary contains
- Comparing the summary's quantity with the source document
- Checking only whether the prose sounds confident
- Assuming summaries may replace any source number