Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Finomhangolás vs RAG vs Prompting kvíz

Azt teszteli, hogyan diagnosztizálható a tudás, a formátum, a stílus és a készségbeli hiányosságok, amikor a RAG felülmúlja a finomhangolást, és miért vezérlik a döntést az értékelési készletek.

Kapcsolódó útmutató utakFinomhangolás vs RAG vs felszólítás
kérdés 1 -ból 8

Egy modell helytelenül válaszol a vállalat árazásával kapcsolatos kérdésekre, mivel az árak negyedévente változnak. Melyik megközelítés illik legjobban ehhez a szakadékhoz?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Egy modell helytelenül válaszol a vállalat árazásával kapcsolatos kérdésekre, mivel az árak negyedévente változnak. Melyik megközelítés illik legjobban ehhez a szakadékhoz?
    • Finomítsa a modellt az utolsó negyedév árlistáján
    • A RAG segítségével lekérheti az aktuális árdokumentumokat a válaszidőben
    • Csökkentse a modell hőmérsékletét
    • Adjon hozzá további példákat az udvarias válaszokra a prompthoz
  2. Az útmutató szerint általában mi az első kar a formátum- és stílusproblémák megoldására?
    • Teljes finomhangolás
    • Vektoros adatbázis felépítése
    • Felszólítás világos utasításokkal és példákkal
    • Váltás nagyobb modellre
  3. Miért írják le a finomhangolást a tényszerű ismeretek hozzáadásának megbízhatatlan módjának?
    • A modell súlyát nem tudja megváltoztatni
    • Csak képmodelleken működik
    • Nehéz frissíteni, és növelheti a ritkán látható anyagokkal kapcsolatos megbízható hibákat
    • Mindig törli a modell meglévő tudását
  4. Melyik szituáció kedvez leginkább a finomhangolásnak?
    • Szűk, nagy hangerővel végzett feladatra van szüksége, és szeretne egy kisebb, olcsóbb modellt, amely megfelel egy nagyobb modellnek
    • A dokumentumok naponta változnak
    • Válaszokat szeretne a forrásrészletek idézésére
    • Még nem készített értékelési példákat
  5. Mit érdemes ellenőrizni egy rossz válaszokat adó RAG rendszerben, mielőtt a nyelvi modellt hibáztatná?
    • A modell képzési dátuma
    • A lekért eredmények között megjelenik-e a megfelelő szövegrész
    • A GPU magok száma
    • Csak a rendszerkérdés hossza
  6. Mit csinál a LoRA a finomhangolás keretében?
    • Dokumentumokat keres le a keresési indexből
    • Tömöríti a tokenek mentéséhez szükséges promptokat
    • Kis adaptermátrixokat tanít be az összes modellsúly frissítése helyett
    • Nincs szükség edzésadatokra
  7. Melyik állítás pontos a három módszer kombinálásával kapcsolatban az útmutató szerint?
    • Ezek kölcsönösen kizárják egymást, és nem kombinálhatók
    • A termelési rendszerek gyakran finomhangolt modellt használnak, amely a visszakeresett kontextust olvassa be, amit egy jó felszólítás vezérel
    • A RAG helyettesíti a felszólítás szükségességét
    • A finomhangolásnak mindig a felszólítás előtt kell történnie
  8. Mi indokolja a választást a felszólítás, a RAG és a finomhangolás között?
    • Bármelyik módszer a legújabb
    • Egy reprezentatív értékelési készlet, amely minden lehetőséget mér
    • A szállító alapértelmezett beállítása
    • Egyedül a képzési költségvetés nagysága