NEW
Font size
WorksheetsExamen de LLMs y Prompts 4
Total questions: 26
Worksheet time: 13mins
¿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.
¿Cuál es el propósito del desarrollo "iterativo" de prompts?
Crear prompts de forma aleatoria hasta encontrar uno que funcione.
Perfeccionar y modificar los prompts a través de pruebas y ajustes para obtener las respuestas deseadas del modelo.
Reducir la longitud del prompt al mínimo.
Automatizar completamente la creación de prompts.
¿Qué representa un "Runnable" en la arquitectura de LangChain?
Un tipo específico de modelo LLM.
Una unidad de trabajo fundamental que puede ser invocada, procesada por lotes, en streaming y compuesta.
Una base de datos para almacenar el historial de conversación.
Una interfaz de usuario para interactuar con el modelo.
¿Qué permite el "LangChain Expression Language (LCEL)"?
Escribir código en un nuevo lenguaje de programación.
Componer runnables de forma declarativa en cadenas reutilizables utilizando el operador |.
Depurar errores en el código Python.
Entrenar modelos LLM personalizados.
¿Cuál es la función principal de un "Output Parser" en LangChain?
Generar el prompt inicial para el LLM.
Estructurar y transformar la respuesta generada por el LLM en un formato deseado (ej. string, JSON).
Controlar la "temperatura" del modelo.
Almacenar el historial de conversación.
¿Para qué se utiliza RunnableLambda en LangChain?
Para cargar modelos LLM desde archivos.
Para envolver y convertir funciones arbitrarias de Python en runnables que pueden integrarse en cadenas.
Para ejecutar tareas en paralelo.
Para analizar salidas JSON complejas.
¿Cuándo es apropiado utilizar la clase RunnableParallel en LangChain?
Cuando las tareas deben ejecutarse una después de otra en un orden específico.
Cuando se identifican tareas que pueden ejecutarse de forma independiente y simultánea.
Para convertir un string en un diccionario.
Para depurar errores en la cadena.
¿Qué son las clases Pydantic en el contexto de la generación de salida estructurada con LLMs?
Un tipo de mensaje de chat especial.
Clases de Python utilizadas para definir esquemas de datos estructurados y validar la salida del LLM.
Funciones para interactuar con bases de datos.
Herramientas para visualizar gráficos.
¿Cuál es el beneficio clave de usar JsonOutputParser con clases Pydantic?
Solo extrae texto sin formato.
Automatiza la creación de instrucciones de formato JSON para el LLM y valida que la salida se ajuste al esquema definido.
Permite al modelo generar imágenes.
Reduce el tiempo de carga del modelo.
¿Qué se entiende por "Document Tagging" (Etiquetado de Documentos) con LLMs y Pydantic?
Añadir etiquetas a los archivos PDF.
Extraer y etiquetar múltiples entidades específicas de un texto largo según un esquema definido.
Contar el número de palabras en un documento.
Convertir un documento a un formato de imagen.
¿Qué es un "placeholder message" en la creación de chatbots con LangChain?
Un mensaje que el usuario escribe antes de que el chatbot responda.
Un marcador en la plantilla de prompt que se reemplaza por una lista de otros mensajes, como el historial de conversación.
Un mensaje de error que aparece cuando el chatbot no entiende.
Un mensaje predefinido para saludar al usuario.
¿Por qué es importante el uso de "placeholder messages" para el historial de conversación en chatbots?
Para hacer que el chatbot olvide conversaciones anteriores.
Para permitir que el chatbot recuerde el contexto y responda de manera coherente a lo largo del diálogo.
Para reducir la complejidad del código del chatbot.
Para que el chatbot siempre dé la misma respuesta.
¿Qué biblioteca se menciona como útil para crear interfaces de usuario sencillas para prototipos de chatbots, incluso en entornos Jupyter?
FastAPI.
Uvicorn.
Gradio.
nest_asyncio.
¿Qué ventaja principal ofrece el método stream() de ChatOpenAI al obtener respuestas de un LLM?
Permite obtener la respuesta completa de una sola vez.
Permite recibir la respuesta en trozos a medida que se genera, mejorando la experiencia de usuario.
Reduce el costo de la inferencia.
Garantiza que la respuesta sea siempre la misma.
¿Qué significa que la capacidad generativa de un LLM "aumenta" los datos al generar salida estructurada?
Que el modelo solo copia la información que se le proporciona.
Que el modelo es capaz de inferir y añadir información nueva y relevante que no estaba explícitamente en la entrada.
Que el modelo siempre genera datos numéricos.
Que el modelo reduce la cantidad de datos en la salida.
¿Qué se recomienda hacer si un LLM no produce la respuesta deseada inicialmente después de un prompt?
Descartar el LLM y probar otro.
Iterar sobre el prompt, generalmente haciéndolo más específico.
Reducir la temperatura a cero para hacerlo más determinista.
Aumentar el tamaño del modelo para mejorar su capacidad.
¿Qué se logra al combinar múltiples cadenas LangChain (ej. una para corrección gramatical y otra para generación de párrafos)?
Se reduce la cantidad de memoria utilizada por el LLM.
Se permite que el LLM realice tareas complejas en un solo paso sin interrupciones.
Se encadenan funcionalidades para realizar tareas deseadas que requieren múltiples pasos o interacciones con el LLM.
Se desactiva la capacidad de alucinación del LLM.
