Cuestionario vinculado a una guía · fácil Nivel

Fechas límite de conocimientos en el cuestionario de LLM

Prueba qué es un límite de conocimiento, por qué los modelos juzgan mal su propia fecha límite y cómo la búsqueda, la recuperación y la inyección de fecha mantienen las respuestas actualizadas.

Rutas de guía relacionadasFechas límite de conocimientos en LLM
Pregunta 1 de 8

¿Cuál es el límite de conocimiento de un modelo?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Cuál es el límite de conocimiento de un modelo?
    • The date the model stops working
    • The approximate date after which its training data contains little or no information
    • The date the model was released to the public
    • The date the vendor ends customer support
  2. ¿Por qué los modelos a menudo no están seguros de su propio límite o lo subestiman?
    • Vendors deliberately hide it from the model
    • Models delete their most recent data after training
    • Models count days incorrectly
    • The final months before the cutoff are thinly represented, because people keep writing about events long afterward
  3. ¿Cuál es la forma más fiable de averiguar el límite de conocimiento de un modelo?
    • Check the vendor's published model documentation
    • Ask the model directly
    • Count the words in its answers
    • Look at the model's logo
  4. ¿Qué solución simple corrige muchos casos en los que un modelo asume una fecha actual incorrecta?
    • Fine-tuning the model every week
    • Turning the model off and on
    • Putting the current date in the system prompt
    • Using shorter prompts
  5. Un chatbot con navegación web responde a una pregunta sobre las noticias de la semana pasada. ¿Cuál afirmación es correcta?
    • Its training cutoff has moved to last week
    • It can no longer make factual errors
    • It retrains itself on every query
    • Its training cutoff is unchanged; it is reading new sources and is only as accurate as the pages it retrieves
  6. Why is retrieval usually preferred over fine-tuning for keeping facts current?
    • Fine-tuning is slower and more costly as a way to keep facts current
    • Fine-tuning is impossible for large models
    • Retrieval permanently changes the model's weights
    • Retrieval works without any documents
  7. Which of these is a typical sign of stale knowledge?
    • The model refuses every question
    • The model switches to another language
    • The model names an outdated software version as the latest
    • The model's answers are unusually short
  8. When building evals for cutoff-related problems, what should you include?
    • Only questions about events well before the cutoff
    • Questions whose correct answers changed after the cutoff
    • Questions with all dates removed
    • A question asking the model to state its cutoff