Examen de LLMs y Prompts 4

¿Cuál es la función primordial de un Large Language Model (LLM)?

• Almacenar y gestionar bases de datos relacionales.

• Predecir y generar la secuencia de texto más probable a continuación.

• Realizar análisis de sentimientos exclusivamente.

• Servir como interfaz gráfica de usuario.

¿Qué característica distingue principalmente a los modelos LLM de "chat" o "instrucción" de otros LLMs?

• Su capacidad para ejecutar código.

• Están optimizados para interacciones conversacionales y diálogos.

• Siempre son modelos de menor tamaño.

• No requieren prompts para funcionar.

Define el término "alucinación" en el contexto de los LLMs.

• La habilidad del modelo para crear contenido artístico.

• La generación de información incorrecta o inventada por el LLM, a menudo con aparente certeza.

• Un estado de error en el que el modelo deja de responder.

• La capacidad de un LLM para comprender imágenes.

¿Cuál es una de las implicaciones más importantes de que "todos los LLM alucinan"?

• Que solo los modelos de código abierto son propensos a este fenómeno.

• Que la información generada por un LLM debe ser siempre verificada.

• Que la alucinación es un problema que se resolverá completamente en el futuro cercano.

• Que es un indicador de la creatividad superior del modelo.

¿Por qué se enfatiza la "especificidad" en la ingeniería de prompts?

• Para aumentar la velocidad de procesamiento del modelo.

• Porque los LLMs son muy sensibles a la entrada y no pueden inferir fácilmente la intención ambigua.

• Para reducir el consumo de recursos computacionales.

• Para hacer que el modelo genere respuestas más cortas.

Explica en qué consiste la técnica de "Few-Shot Prompting".

• Entrenar un modelo con un conjunto de datos muy pequeño.

• Proporcionar al LLM ejemplos de pares entrada/salida deseados dentro del propio prompt para guiar su comportamiento.

• Realizar una única pregunta al modelo sin contexto previo.

• Limitar el número de palabras en la respuesta del modelo.

¿Cuál es el rol fundamental de un "System Message" en un prompt de chat?

• Es el mensaje final que el usuario envía al modelo.

• Establece el contexto general, la personalidad o las directrices de comportamiento para el LLM.

• Se utiliza para extraer datos estructurados de la respuesta del modelo.

• Registra automáticamente el historial de conversación.

¿Qué problema busca resolver la técnica "Chain-of-Thought Prompting" (CoT)?

• La lentitud en la generación de respuestas.

• La tendencia de los LLMs a "sacar conclusiones precipitadas" en tareas de razonamiento complejo.

• La dificultad de los LLMs para generar texto creativo.

• La incapacidad de los LLMs para mantener un historial de conversación.

¿Cómo se diferencia "Zero-Shot CoT" del CoT tradicional?

• Zero-Shot CoT requiere muchos más ejemplos.

• Zero-Shot CoT no proporciona ejemplos explícitos de razonamiento paso a paso, sino una instrucción para que el modelo "piense paso a paso".

• Zero-Shot CoT solo funciona para tareas de clasificación.

• Zero-Shot CoT es una técnica obsoleta.

¿Qué es el "Prompt Injection" y por qué es una preocupación de seguridad?

• Es una técnica para mejorar la calidad del prompt.

• Es un exploit de seguridad donde se manipula el prompt para forzar al LLM a ignorar instrucciones originales o generar contenido no deseado.

• Es un método para inyectar datos de entrenamiento adicionales en el modelo.

• Es la optimización del prompt para reducir el uso de tokens.