NEW
Font size
WorksheetsExamen de Conceptos Adicionales 5
Total questions: 28
Worksheet time: 14mins
¿Qué tipo de información se recomienda incluir en el description de un campo Field en una clase Pydantic para la generación de salida estructurada con LLMs?
A) El tipo de dato del campo.
B) El valor por defecto del campo.
C) Una descripción clara del uso previsto del campo para guiar al LLM.
D) El nombre de la base de datos donde se almacenará el campo.
¿Qué herramienta de LangChain/Pydantic ayuda a solucionar el problema de un LLM que genera JSON con nombres de claves inconsistentes (ej. "year_of_publication", "year", "yearPublished")?
A) StrOutputParser.
B) RunnableLambda para limpieza manual.
C) Definir un esquema Pydantic estricto con JsonOutputParser.
D) Aumentar la temperatura del modelo.
¿Qué es un "parser de salida" en LangChain?
A) Un componente que genera el prompt inicial.
B) Una clase que ayuda a estructurar y transformar las respuestas del LLM.
C) Una función para cargar modelos LLM.
D) Una herramienta para depurar errores en tiempo de ejecución.
¿Cuál es la principal diferencia entre SimpleJsonOutputParser y JsonOutputParser (usado con Pydantic)?
A) SimpleJsonOutputParser es más rápido.
B) SimpleJsonOutputParser solo analiza JSON simple, mientras que JsonOutputParser con Pydantic permite esquemas complejos y validación.
C) JsonOutputParser solo funciona con modelos de chat.
D) SimpleJsonOutputParser no es un runnable.
¿Qué tipo de modelo LLM es Meta-Llama-3-8B-Instruct-v2.Q3_K_M.gguf?
A) Un modelo de generación de imágenes.
B) Un modelo de instrucción y chat.
C) Un modelo de traducción automática.
D) Un modelo de reconocimiento de voz.
¿Qué es FastAPI en el contexto de los cuadernos?
A) Una biblioteca para operaciones matemáticas rápidas.
B) Un framework web moderno y rápido para construir APIs.
C) Una herramienta para la visualización de datos.
D) Un tipo de parser de salida.
¿Qué método de la instancia client.chat.completions se utiliza para hacer una simple petición para generar compleciones de chat?
A) get_response()
B) send_message()
C) create()
D) request_completion()
¿Qué función cumple el argumento verbose=False al instanciar el modelo Llama?
A) Desactiva la generación de texto.
B) Reduce el tamaño del modelo.
C) Suprime la salida detallada (logs) del modelo durante su ejecución.
D) Habilita el modo de depuración.
¿Qué ventaja tiene el uso de LangChain sobre la interacción directa con la API de OpenAI (o similar) para la generación de compleciones de chat?
A) LangChain es siempre más rápido.
B) LangChain proporciona una interfaz consistente y unificada a través de múltiples LLMs de diferentes proveedores.
C) LangChain elimina la necesidad de prompts.
D) LangChain solo funciona con modelos locales.
¿Qué se entiende por "Framework Connector" en LangChain?
A) Un tipo de modelo LLM.
B) Una herramienta que convierte una API arbitraria en una que un código base de destino esperaría (ej. ChatOpenAI).
C) Una base de datos para alma
¿Qué es un 'vector' en LangChain?
Un tipo de modelo LLM.
Una herramienta que convierte una API arbitraria en una que un código base de destino esperaría (ej. ChatOpenAI).
Una base de datos para almacenar el historial de conversación.
Un componente para la visualización de datos.
¿Cuál es el propósito de nest_asyncio en los entornos de Jupyter/Colab al ejecutar servidores web?
Acelerar el procesamiento de la GPU.
Permitir que el bucle de eventos de asyncio sea anidado.
Instalar dependencias de Python.
Cargar el modelo LLM en memoria.
¿Qué tipo de mensaje de LangChain se utiliza para representar el texto de una pregunta o consulta del usuario?
AIMessage.
SystemMessage.
HumanMessage.
PlaceholderMessage.
¿Qué tipo de mensaje de LangChain representa una respuesta generada por el modelo de IA?
AIMessage.
SystemMessage.
HumanMessage.
PlaceholderMessage.
¿Qué se debe tener en cuenta al usar cadenas multilínea en Python para prompts de LLMs?
No se deben usar nunca.
Los LLMs son sensibles al espacio en blanco y a los caracteres de nueva línea, que transmiten significado.
Solo se pueden usar en prompts muy cortos.
No tienen ningún impacto en la salida del LLM.
Si necesitas realizar un preprocesamiento de datos (ej. normalizar texto) antes de enviarlos a un LLM en una cadena LangChain, ¿qué tipo de runnable personalizado usarías?
ChatPromptTemplate.
StrOutputParser.
RunnableLambda.
JsonOutputParser.
¿Qué método de las plantillas de prompt de LangChain (ChatPromptTemplate) permite pre-llenar algunos de sus valores para ser reutilizados en una cadena?
invoke().
batch().
partial().
stream().
¿Qué clase de LangChain se utiliza para definir una plantilla de prompt que puede contener mensajes de diferentes roles (human, ai, system)?
PromptTemplate.
ChatPromptTemplate.
MessageTemplate.
RoleTemplate.
¿Cuál es la principal ventaja de usar el método batch() de un runnable en LangChain en lugar de llamar a invoke() repetidamente en un bucle?
batch() permite conversaciones multi-turno.
batch() siempre usa menos memoria.
batch() procesa múltiples peticiones simultáneamente, mejorando la eficiencia y el rendimiento.
batch() garantiza respuestas deterministas.
Al generar datos estructurados con LLMs, ¿qué significa que la capacidad generativa del modelo 'aumenta' los datos?
Que el modelo solo replica la información de entrada.
Que el modelo añade información nueva y relevante que no estaba explícitamente en la entrada.
Que el modelo siempre inventa datos falsos.
Que el modelo reduce la cantidad de datos en la salida.
¿Qué se entiende por 'Framework Connector' en LangChain?
Un tipo de modelo LLM.
Una herramienta que convierte una API arbitraria en una que un código base de destino esperaría (ej. ChatOpenAI).
Una base de datos para almacenar el historial de conversación.
Un componente para la visualización de datos.
¿Qué método de ChatOpenAI se utiliza para recibir la respuesta del modelo en trozos, lo que mejora la experiencia de usuario para respuestas largas?
invoke()
batch()
stream()
create_chat_completion()
¿Qué significa n_ctx al instanciar el modelo Llama?
Número de capas del modelo.
Tamaño del contexto (longitud máxima de la secuencia de tokens que el modelo puede manejar).
Número de GPUs a utilizar.
Formato del chat.
¿Qué parámetro de la instancia Llama se ajusta para controlar la cantidad de capas del modelo que se descargan a la GPU?
n_ctx
model_path
n_gpu_layers
chat_format
¿Por qué se establece openai_api_key="not-needed" al configurar ChatOpenAI en los cuadernos para un LLM local?
Porque el modelo local no requiere una clave de API para funcionar.
Es un requisito de seguridad de OpenAI.
Solo se usa para modelos de pago.
Indica que la API está deshabilitada.
¿Qué tipo de modelo LLM es Meta-Llama-3-8B-Instruct-v2.Q3_K_M.gguf?
Un modelo de generación de imágenes.
Un modelo de instrucción y chat.
Un modelo de traducción automática.
Un modelo de reconocimiento de voz.
¿Qué función cumple el argumento verbose=False al instanciar el modelo Llama?
Desactiva la generación de texto.
Reduce el tamaño del modelo.
Suprime la salida detallada (logs) del modelo durante su ejecución.
Habilita el modo de depuración.
¿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 para ser más específico.
Reducir la temperatura a cero.
Aumentar el tamaño del modelo.
