Cuestionario vinculado a una guía · Medio Nivel

Ajuste fino vs RAG vs Cuestionario de indicaciones

Prueba cómo diagnosticar las brechas de conocimiento, formato, estilo y habilidades, cuándo RAG supera al ajuste y por qué los conjuntos de evaluación impulsan la decisión.

Rutas de guía relacionadasAjuste fino versus RAG versus indicaciones
Pregunta 1 de 8

Un modelo responde incorrectamente preguntas sobre los precios de su empresa porque los precios cambian cada trimestre. ¿Qué enfoque se adapta mejor a esta brecha?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. Un modelo responde incorrectamente preguntas sobre los precios de su empresa porque los precios cambian cada trimestre. ¿Qué enfoque se adapta mejor a esta brecha?
    • Fine-tune the model on last quarter's price list
    • Use RAG to retrieve the current price documents at answer time
    • Lower the model's temperature
    • Add more examples of polite answers to the prompt
  2. Según la guía, ¿cuál suele ser la primera palanca a probar para los problemas de formato y estilo?
    • Full fine-tuning
    • Building a vector database
    • Prompting with clear instructions and examples
    • Switching to a larger model
  3. ¿Por qué se describe el ajuste como una forma poco confiable de agregar conocimiento fáctico?
    • It cannot change model weights
    • Sólo funciona en modelos de imagen.
    • It is hard to update and can increase confident errors about rarely seen material
    • It always deletes the model's existing knowledge
  4. ¿Qué situación favorece más claramente el ajuste?
    • You need a narrow task done at high volume and want a smaller, cheaper model to match a larger one
    • Your documents change every day
    • You want answers to cite source passages
    • You have not yet built any evaluation examples
  5. En un sistema RAG que da respuestas incorrectas, ¿qué debería comprobar antes de culpar al modelo de lenguaje?
    • La fecha de entrenamiento del modelo.
    • Whether the correct passage appears in the retrieved results
    • The number of GPU cores
    • The length of the system prompt only
  6. What does LoRA do in the context of fine-tuning?
    • Retrieves documents from a search index
    • Compresses prompts to save tokens
    • Trains small adapter matrices instead of updating all model weights
    • Removes the need for training data
  7. Which statement about combining the three methods is accurate according to the guide?
    • They are mutually exclusive and cannot be combined
    • Production systems often use a fine-tuned model reading retrieved context, driven by a good prompt
    • RAG replaces the need for any prompt
    • Fine-tuning must always come before prompting
  8. What should drive the choice between prompting, RAG and fine-tuning?
    • Whichever method is newest
    • A representative evaluation set measuring each option
    • The vendor's default setting
    • The size of the training budget alone