Quiz sur les hallucinations de l'IA

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Why does next-token prediction alone fail to verify a factual claim in a generated answer?
   • Every model is connected to only unreliable websites
   • All users ask grammatically incorrect questions
   • A plausible continuation is not the same as evidence that the statement is true
   • A fluent answer automatically proves the fact
2. Pourquoi les hallucinations sont-elles particulièrement dangereuses ?
   • Ils sont toujours écrits avec une grammaire erronée afin que les utilisateurs les ignorent
   • Ils n'apparaissent que dans les messages d'erreur
   • Ils provoquent le crash du modèle
   • Ils sont livrés avec fluidité et confiance, il est donc facile de rater les erreurs.
3. La génération augmentée par récupération (RAG) élimine-t-elle complètement les hallucinations ?
   • Oui, RAG garantit des réponses factuelles
   • Non, les modèles peuvent toujours contredire ou ignorer le texte récupéré bruyant ou contradictoire.
   • Oui, mais seulement le week-end
   • Non, car RAG ne fournit jamais de documents
4. Quel est un véritable exemple d’hallucination ?
   • Le modèle citant un procès qui n’existe pas
   • Le mannequin refuse de répondre à une question
   • Le modèle posant une question de clarification
   • Le modèle renvoie une réponse vide
5. 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
6. 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
7. 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
8. 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