Bài kiểm tra có liên kết hướng dẫn · Cứng Cấp độ

Bài kiểm tra điểm chuẩn AI

Kiểm tra cách các tác vụ điểm chuẩn, dữ liệu, cài đặt, độ không chắc chắn, mức độ ô nhiễm và các bài kiểm tra dành riêng cho ứng dụng định hình những gì điểm AI có thể cho bạn biết.

Đường dẫn hướng dẫn liên quanĐiểm chuẩn AI
Câu hỏi 1 của 8

Điểm chuẩn AI là gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Điểm chuẩn AI là gì?
    • 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. Cả hai hệ thống đều báo cáo “độ chính xác”. Cần kiểm tra những gì trước khi so sánh chúng?
    • 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. Tại sao phải ghi lại phiên bản mô hình, lời nhắc, công cụ, lần thử và ngày đánh giá?
    • A record guarantees no data leakage
    • Those settings can change benchmark results
    • Settings do not affect model behavior
    • Only the date matters
  4. Ô nhiễm dữ liệu trong đánh giá là gì?
    • 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. Một bài kiểm tra gồm 100 câu hỏi cho thấy một mẫu trả lời đúng 81 và một mẫu khác trả lời đúng 83. Chỉ riêng sự khác biệt đó thôi đã khẳng định điều gì?
    • 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