Rehber bağlantılı sınav · Sert Seviye

AI Karşılaştırma Testi

Kıyaslama görevlerinin, verilerin, ayarların, belirsizliğin, kirliliğin ve uygulamaya özel testlerin yapay zeka puanının size söyleyebileceklerini nasıl şekillendirdiğini kontrol edin.

İlgili kılavuz yollarıYapay Zeka Karşılaştırmaları
Soru 1 arasında 8

Yapay zeka kıyaslaması nedir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Yapay zeka kıyaslaması nedir?
    • A defined set of tasks, data, and scoring rules used to compare systems
    • A universal measure of intelligence
    • A guarantee the highest-scoring model is best for an application
    • A list of model parameters
  2. İki sistemin her ikisi de "doğruluk" rapor ediyor. Karşılaştırmadan önce nelere dikkat edilmelidir?
    • Only model names
    • Only the number of parameters
    • Task definition, examples, scoring rules, and test conditions
    • Only whether the two reports use the same metric name
  3. Neden model sürümü, bilgi istemi, araçlar, girişimler ve değerlendirme tarihi kaydedilmeli?
    • A record guarantees no data leakage
    • Those settings can change benchmark results
    • Settings do not affect model behavior
    • Only the date matters
  4. Bir değerlendirmede veri kümesi kirliliği nedir?
    • The benchmark includes multiple task types
    • A model uses a different prompt
    • A dataset contains timestamps
    • Test items or close variants were available during development
  5. 100 soruluk bir test, bir modelin 81 soruyu, diğerinin ise 83 soruyu doğru yanıtladığını gösteriyor. Bu fark tek başına neyi ortaya koyuyor?
    • Only the observed counts, not a reliable advantage by itself
    • That the second model is universally better
    • That the first model cannot solve the task
    • That the test set was contaminated
  6. Why can an average benchmark score hide weaknesses?
    • Averages always reveal every failure
    • A single metric measures all applications equally
    • Performance may differ across tasks, conditions, or groups
    • Scores do not depend on the task mix
  7. What should be compared alongside task success?
    • Only parameter count
    • Cost and latency
    • Only leaderboard position
    • Only how many times the result was cited
  8. Why add a private evaluation set for an application?
    • It guarantees a higher public score
    • It eliminates the need to document prompts
    • It prevents all model errors
    • It tests whether public-benchmark results transfer to the intended workflow