NEW
Font size
WorksheetsExamen de Fundamentos de LLMs 3
Total questions: 31
Worksheet time: 16mins
¿Cuál es el propósito principal de un Large Language Model (LLM) según los documentos?
Realizar cálculos matemáticos complejos con alta precisión.
Generar lo que es más probable que venga a continuación en un flujo de texto.
Almacenar grandes bases de datos estructuradas.
Controlar hardware de computadoras directamente.
¿Qué diferencia principal existe entre los modelos LLM de tipo "chat" o "instrucción" y los que no lo son?
Los modelos de chat son exclusivamente para tareas de traducción.
Los modelos de chat están pensados para uso conversacional, mientras que los otros buscan completar un texto dado.
Los modelos de chat son siempre más pequeños y rápidos.
Los modelos que no son de chat tienen un historial de conversación incorporado.
¿Qué se entiende por "alucinación" en el contexto de los LLMs?
La capacidad del LLM para generar contenido creativo y original.
El fenómeno de los LLMs que generan información incorrecta con aparente confianza.
Un error de software que causa que el LLM se detenga.
La interacción del LLM con imágenes y videos.
Según el documento, ¿cuál es una de las "reglas de oro" sobre la alucinación de los LLMs?
Los LLMs nunca alucinan si se les da un prompt perfecto.
Solo los LLMs de código abierto alucinan.
Todos los LLM alucinan.
La alucinación es un problema que ya ha sido completamente resuelto.
¿Por qué es crucial la "especificidad" en la redacción de prompts para los LLMs?
Para hacer que el LLM responda más rápido.
Porque los LLMs son sensibles a pequeños cambios y no intuyen bien la intención implícita.
Para reducir el costo de las llamadas a la API.
Para permitir que el LLM genere respuestas más aleatorias.
¿Qué es el "Few-Shot Prompting"?
Una técnica para reiniciar el modelo con una nueva configuración.
La práctica de proporcionar al LLM solo una palabra como prompt.
La técnica de proporcionar ejemplos de interacciones humano/IA en el prompt para influir en el comportamiento del modelo.
Un método para limitar la longitud de la respuesta del LLM.
¿Cuál es el propósito principal de un "System Message" en la ingeniería de prompts?
Registrar el historial de conversación del usuario.
Definir el rol global o la persona para los modelos de chat.
Solicitar al LLM que realice una tarea matemática.
Generar una lista de opciones para el usuario.
¿Qué técnica de prompting anima a los LLMs a dividir problemas complejos en pasos intermedios para mejorar el razonamiento?
Zero-Shot Prompting.
Few-Shot Prompting.
Chain-of-Thought Prompting (CoT).
Direct Prompting.
¿Qué variante de Chain-of-Thought (CoT) consiste en añadir simplemente "Pensemos paso a paso" al prompt sin ejemplos verbales?
Few-Shot CoT.
Advanced CoT.
Zero-Shot CoT.
Iterative CoT.
¿Qué es "Prompt Injection" en el contexto de la seguridad de LLMs?
Un método para insertar datos de entrenamiento adicionales en el modelo.
Un exploit de seguridad que consiste en inyectar instrucciones para anular las or
¿l contexto de la seguridad de LLMs?
Un método para insertar datos de entrenamiento adicionales en el modelo.
Un exploit de seguridad que consiste en inyectar instrucciones para anular las originales y producir resultados no deseados.
Una técnica para hacer que el prompt sea más conciso.
La capacidad del LLM para auto-corregir errores en el prompt.
¿Cuál es una estrategia clave para mitigar los riesgos de "Prompt Injection"?
Usar prompts más cortos.
Ignorar completamente las entradas del usuario.
Ser consciente de la vulnerabilidad y diseñar instrucciones que la tengan en cuenta.
Aumentar la temperatura del modelo.
¿Cómo afecta la "temperatura" de un LLM a sus respuestas?
Controla la longitud máxima de la respuesta.
Es un valor entre 0 y 1 que controla la aleatoriedad de las respuestas.
Determina el idioma en el que responde el LLM.
Aumenta la precisión de los cálculos matemáticos.
¿Por qué se recomienda un proceso de desarrollo "iterativo" para los prompts?
Para reducir el uso de GPU.
Porque los LLMs son sensibles a pequeños cambios y se necesita perfeccionar el prompt para obtener la respuesta deseada.
Para evitar el uso de cadenas multilínea.
Para generar prompts automáticamente sin intervención humana.
¿Qué es un "Runnable" en LangChain?
Un tipo de base de datos para almacenar prompts.
Una unidad de trabajo que puede ser invocada, procesada por lotes, en streaming, transformada y compuesta.
Una función de Python que no puede interactuar con LLMs.
Un formato de archivo para guardar modelos LLM.
¿Qué significa LCEL en el contexto de LangChain?
Large Chain Execution Layer.
LangChain Common Entity Library.
LangChain Expression Language.
Local Chain Emulation Logic.
¿Qué operador se utiliza en LCEL para "encadenar" runnables, canalizando la salida de uno al siguiente?
+
-
|
*
¿Cuál es la función principal de StrOutputParser en LangChain?
Convertir un string en un objeto JSON.
Analizar la salida de un modelo LLM y devolver solo el contenido de la respuesta como un string.
Formatear un prompt antes de enviarlo al LLM.
Unir múltiples strings en uno solo.
¿Para qué se utiliza la clase RunnableLambda en LangChain?
Para ejecutar modelos LLM en servidores remotos.
Para convertir funciones personalizadas de Python en runnables que pueden incluirse en cadenas.
Para gestionar el historial de conversaciones de un chatbot.
Para generar prompts aleatorios.
Si tienes una lista de entradas y quieres que un LLM las procese de manera eficiente en paralelo, ¿qué método de LangChain usarías?
invoke()
stream()
batch()
chat()
¿Qué clase de LangChain se utiliza para ejecutar múltiples runnables en paralelo, devolviendo sus resultados en un diccionario?
RunnableSequence.
RunnableParallel.
RunnableChain.
RunnableFunction.
¿Cuál es el objetivo principal de la "salida estructurada" al interactuar con LLMs?
Reducir el tamaño del modelo LLM.
Generar respuestas en un formato predefinido (ej. JSON, lista) para su uso posterior en aplicaciones.
Aumentar la creatividad de las respuestas del LLM.
Limitar el acceso del LLM a información externa.
¿Qué biblioteca de Python se utiliza en los documentos para definir esquemas de datos estructurados (clases) que LangChain puede usar para generar JSON y validarlo?
NumPy.
Pandas.
Pydantic.
Matplotlib.
¿Qué clase de Pydantic se utiliza como base para definir un modelo de datos estructurados?
DataModel.
SchemaBase.
BaseModel.
StructureModel.
¿Cuál es el beneficio de usar JsonOutputParser junto con clases Pydantic en LangChain?
Solo permite extraer texto sin formato de la respuesta del LLM.
Genera automáticamente instrucciones de formato JSON basadas en el esquema Pydantic y valida la salida del LLM.
Convierte cualquier tipo de archivo en JSON.
Acelera el entrenamiento del modelo LLM.
¿Por qué son importantes los docstrings de la clase y las descriptions de los campos en las clases Pydantic cuando se usan con LLMs?
Son solo para la documentación interna del código.
Son cruciales para transmitir la intención y el uso previsto de los campos al LLM.
Aumentan el rendimiento del parser.
Son ignorados por el LLM.
¿Qué técnica se utiliza para extraer y etiquetar múltiples entidades de datos (como una lista de frutas) a partir de un texto largo usando Pydantic y LangChain?
Few-Shot Prompting.
Document Tagging (Etiquetado de documentos).
Zero-Shot CoT.
Sentiment Analysis.
En la creación de chatbots, ¿qué tipo de mensaje se utiliza en una plantilla de aviso para ocupar el lugar de una lista de otros mensajes (como el historial de conversación)?
System Message.
Human Message.
AI Message.
Placeholder Message.
¿Cuál es la ventaja de utilizar "placeholder messages" para el historial de conversación en chatbots?
Reduce la cantidad de tokens enviados al LLM.
Permite que el chatbot retenga detalles de la conversación anterior y responda de manera más adecuada.
Hace que el chatbot siempre responda con la misma frase.
Elimina la necesidad de un LLM.
¿Qué biblioteca se menciona como una forma rápida de hacer una demostración de un modelo de aprendizaje automático con una interfaz web amigable, especialmente para chatbots?
FastAPI.
Uvicorn.
Gradio.
Llama-cpp-python.
¿Qué se logra al encapsular la funcionalidad del historial de conversación en una clase Chatbot?
Se elimina la necesidad de un LLM.
Se simplifica la interacción con el LLM manteniendo el historial de conversaciones.
Se entrena un nuevo modelo de lenguaje.
Se convierte el chatbot en una base de datos.
