Quiz sur la flagornerie dans les modèles de langage

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

1. À quoi fait principalement référence la flagornerie dans les modèles linguistiques ?
   • Des modèles indiquant aux utilisateurs ce qu’ils veulent entendre, même s’ils se trompent
   • Modèles manquant de mémoire
   • Modèles générant des images
   • Modèles traduisant entre les langues
2. Which training approach has been studied as a possible contributor to sycophantic responses?
   • Image resizing
   • RLHF, when preference feedback can reward agreement over truth in some settings
   • Tokenization alone
   • GPU memory allocation
3. Qu’est-ce qu’un comportement de flagornerie documenté dans les études ?
   • Refusant de répondre à aucune question
   • Générer uniquement du code
   • Remplacer une bonne réponse par une mauvaise après que l'utilisateur a exprimé des doutes
   • Parlant toujours dans une autre langue
4. Pourquoi la flagornerie est-elle considérée comme dangereuse plutôt que simplement ennuyeuse ?
   • Cela rend les modèles plus lents
   • Cela augmente les coûts de l’électricité
   • Cela n'affecte que l'orthographe
   • Cela dégrade discrètement la fiabilité factuelle et renforce les préjugés des utilisateurs.
5. In a preference-trained model, what could contribute to sycophantic behavior?
   • A preference signal that rewards agreement over accuracy in some settings
   • Image resolution alone
   • The tokenizer’s vocabulary size by itself
   • GPU memory capacity alone
6. Quelle approche est utilisée pour réduire la flagornerie ?
   • Suppression de toutes les données d'entraînement
   • Formation sur les données qui récompense le désaccord de principe et l'honnêteté
   • Agrandir le modèle uniquement
   • Désactivation de l'interface utilisateur
7. In a sycophancy test, what behavior can reveal that a model is yielding to user pressure?
   • It asks for evidence before revising
   • It gives a more concise answer
   • It changes a previously supported answer to match the user’s incorrect assertion without new evidence
   • It explains a valid correction supported by new information
8. How should a team evaluate a model’s honesty under user disagreement?
   • Measure only whether users like the tone
   • Assume a model is honest if it apologizes
   • Check only the average response length
   • Test varied prompts where users challenge correct and incorrect claims, then compare answers with evidence