wayground logo

Free Printable Worksheets

NEW

Font size

S
M
L
XL
Worksheets

ОИИТ 41-80

Total questions: 40

Worksheet time: 20mins

Name
Class
Date
1.

Как снизить риск зависимости от одного вендора (vendor lock-in)?

a)

Использовать «двойной источник» (несколько провайдеров) и возможность экспорта/он-прем

b)

Не делать бэкапы

c)

Запретить документацию

d)

Работать только ночью

e)

Хранить всё в одном файле

2.

Что относится к защите от промпт-инъекций в RAG?

a)

Фильтровать/нормализовать документы, ограничивать «доверенные» источники, подтверждать критичные действия

b)

Разрешить любые источники

c)

Не проверять вложения

d)

Добавить смайлики

e)

Увеличить размер шрифта

3.

Где обязателен human-in-the-loop?

a)

Публикация юридически значимых писем и решений

b)

Генерация черновика заметки для себя

c)

Черновик постера-наброска

d)

Перевод черновика для внутренней переписки

e)

Создание списка дел

4.

Что такое «векторный индекс» в RAG?

a)

Структура для быстрого поиска по смысловым представлениям (эмбеддингам) текстов

b)

Таблица пользователей

c)

Каталог изображений

d)

Алгоритм шифрования

e)

Вид диаграммы

5.

Какая характеристика НЕ относится к качеству ответа ИИ в офисных сценариях?

a)

Частота GPU

b)

Полнота/точность

c)

Наличие цитат/ссылок

d)

Стиль/тон

e)

Устойчивость к переформулировкам

6.

Для создания FAQ-бота кафедры в low-code конструкторе необходимо:

a)

Подключить документы/базу знаний, настроить индексацию/поиск, включить ответы с цитатами

b)

Только логотип

c)

Отключить поиск

d)

Запретить ссылки

7.

Управляемость ИИ-ассистента в организации предполагает:

a)

Права и роли, лимиты, версия подсказок/политик, аудит

b)

Свободный доступ анонимов

c)

Отсутствие логов

d)

Только мобильный доступ

e)

Выключенный RAG

8.

В каком случае оправдано он-прем/частное развертывание моделей?

a)

Когда критичны приватность, контроль данных и предсказуемая стоимость

b)

Когда нужен эмодзи-набор

c)

Когда нет электричества

d)

Когда нужно печатать быстрее

e)

Когда нет документов

9.

Какой из принципов относится к ответственному использованию ИИ?

a)

Справедливость, приватность, прозрачность и наличие человека-контролёра там, где это требуется

b)

Сокрытие источников

c)

Максимизация числа запросов любой ценой

d)

Игнорирование рисков

e)

Запрет на оценку качества

10.

Что такое большая языковая модель (LLM)?

a)

Нейросеть, предсказывающая следующий токен текста на основе контекста

b)

База данных для хранения PDF

c)

Алгоритм сортировки числовых массивов

d)

Программа для сжатия изображений

e)

Офисный редактор таблиц

11.

Какова роль механизма внимания (attention) в трансформерах?

a)

Взвешивать важность токенов и учитывать дальние зависимости в тексте

b)

Шифровать сообщения между серверами

c)

Увеличивать размер словаря токенов

d)

Переводить текст между языками

e)

Сохранять модель на диск

12.

Что такое токенизация?

a)

Разбиение текста на токены (части слов/словосочетания) для входа в модель

b)

Удаление всех знаков препинания из текста

c)

Перевод текста в двоичный код вручную

d)

Слияние нескольких документов в один

e)

Сжатие текста методом gzip

13.

Что означает «окно контекста» модели?

a)

Максимальное число токенов входа/истории, учитываемых моделью одновременно

b)

Максимальный размер видеопамяти GPU

c)

Количество эпох обучения

d)

Число классов в задаче классификации

e)

Длину пароля для доступа к модели

14.

За что отвечает параметр temperature при генерации?

a)

За степень случайности/креативности выбора следующего токена

b)

За количество обучающих эпох

c)

За размер словаря токенов

d)

За скорость чтения с диска

e)

За качество распознавания изображений

15.

Что такое top-p (nucleus sampling)?

a)

Выбор из минимального множества токенов с суммарной вероятностью p

b)

Выбор ровно из p самых редких токенов

c)

Фильтрация пунктуации перед генерацией

d)

Ускорение обучения за счёт параллелизма

e)

Метрика качества суммаризации

16.

Что такое few-shot prompting?

a)

Показ модели нескольких примеров «вход→выход» прямо в запросе

b)

Обучение модели на миллиардах примеров

c)

Полное отключение примеров в запросе

d)

Случайный выбор ответа без обучения

e)

Проверка модели только на одном примере

17.

Что такое chain-of-thought prompting?

a)

Просьба разложить ответ на пошаговые рассуждения для повышения качества решения

b)

Генерация только в стихотворной форме

c)

Шифрование подсказки перед отправкой

d)

Обучение модели новым словам

e)

Удаление всех чисел из ответа

18.

Что такое RAG (retrieval-augmented generation)?

a)

Поиск по своей базе документов и генерация ответа с опорой на найденные фрагменты (с цитатами)

b)

Сжатие модели для мобильных устройств

c)

Метод ускорения градиентного спуска

d)

Случайное перемешивание токенов при обучении

e)

Инструмент перевода аудио в текст

19.

Как снизить риск «галлюцинаций» модели в фактических ответах?

a)

Использовать RAG и требовать подтверждающие цитаты/ссылки на источники

b)

Повысить размер шрифта в документе

c)

Запретить любые ссылки в ответах

d)

Увеличить количество эмодзи в запросе

e)

Сделать контекст как можно короче

20.

Что такое экстрактивная суммаризация?

a)

Выбор ключевых фраз/предложений из исходного текста без перефразирования

b)

Создание иллюстраций к документу

c)

Полный перевод документа на другой язык

d)

Генерация текста без опоры на исходник

e)

Удаление всех цифр из текста

21.

Что такое абстрактивная суммаризация?

a)

Краткое изложение своими словами с сохранением смысла исходника

b)

Сортировка предложений в алфавитном порядке

c)

Копирование первых трёх абзацев без изменений

d)

Чтение документа моделью без выдачи ответа

e)

Подсчёт частоты слов в тексте

22.

Что означает «faithfulness» (достоверность) суммаризации?

a)

Соответствие утверждений сводки содержанию источника без выдумок

b)

Минимальное число предложений в сводке

c)

Наличие рифмы и стилистики

d)

Максимальная длина ответа модели

e)

Наличие цветных заголовков

23.

Какая метрика чаще применима для оценки суммаризации по эталону?

a)

ROUGE

b)

IoU

c)

mAP

d)

WER

e)

PSNR

24.

Что такое «map-reduce» суммаризация длинного документа?

a)

Сводки по частям текста с последующим объединением итоговой сводки

b)

Мгновенное сжатие файла без чтения

c)

Параллельная загрузка PDF в облако

d)

Сортировка абзацев по длине

e)

Удаление всех заголовков

25.

Для чего применяется векторный индекс в RAG-системе?

a)

Для быстрого поиска по эмбеддингам (смысловым представлениям) текстов

b)

Для хранения паролей пользователей

c)

Для визуализации диаграмм в отчётах

d)

Для шифрования запросов к модели

e)

Для подсчёта количества слов в документе

26.

Что такое эмбеддинг текста?

a)

Числовой вектор, представляющий смысл текста в непрерывном пространстве

b)

Набор случайных символов одинаковой длины

c)

Резервная копия исходного файла

d)

Список ссылок на внешние сайты

e)

Описание шрифта и размера текста

27.

Зачем нужна инструкционная доводка (instruction tuning) LLM?

a)

Чтобы модель лучше следовала указаниям, форматам и стилю ответа

b)

Чтобы увеличить количество параметров вдвое

c)

Чтобы запретить использование цитат

d)

Чтобы заменить токенизацию на стемминг

e)

Чтобы обучать модель только на числах

28.

Что делает параметр top-k при генерации?

a)

Ограничивает выбор следующего токена k наиболее вероятными вариантами

b)

Увеличивает длину контекста в k раз

c)

Повышает частоту обновления весов

d)

Заменяет обучение на инференс

e)

Удаляет стоп-слова из корпуса

29.

Что обязательно включать в «хороший» промпт к LLM?

a)

Роль, цель, контекст, формат ответа и ограничения (без выдумок)

b)

Только одно ключевое слово темы

c)

Набор случайных цитат из интернета

d)

Требование отвечать без знаков препинания

e)

Запрет на любые таблицы и списки

30.

Что означает «устойчивость к переформулировкам» запроса?

a)

Согласованное качество ответов при разных формулировках одной задачи

b)

Перевод ответа на любой язык автоматически

c)

Сокращение длины ответа до 50 символов

d)

Отказ модели отвечать при длинных запросах

e)

Полное совпадение с эталоном пословно

31.

За что отвечает параметр max tokens в ответе модели?

a)

За верхнюю границу длины генерируемого ответа в токенах

b)

За минимальную длину входного текста

c)

За размер словаря модели

d)

За число слоёв трансформера

e)

За скорость сети между дата-центрами

32.

Какой режим temperature чаще подходит для деловых документов?

a)

Низкий (≈0.1–0.3) для более стабильных и аккуратных ответов

b)

Очень высокий (≈1.5) для максимальной креативности

c)

Случайное значение каждый запрос

d)

Всегда 1.0 независимо от задачи

e)

Температура не влияет на текст

33.

Главная причина «галлюцинаций» LLM в ответах?

a)

Ответ без опоры на релевантные источники/данные при требовании выдать факт

b)

Слишком быстрый интернет

c)

Наличие таблиц в документе

d)

Использование кириллицы

e)

Большой размер шрифта в исходнике

34.

 Что такое промпт-инъекция в системах с RAG?

a)

Вредоносные инструкции внутри документов, меняющие поведение модели

b)

Шифрование подсказок перед отправкой

c)

Случайное падение сервера

d)

Ускорение индексации документов

e)

Добавление картинок в ответ

35.

 Какое поведение безопасно требовать в RAG при отсутствии источников?

a)

Явно сообщить «нет данных/источника» и не выдумывать ответ

b)

Сгенерировать правдоподобный факт без ссылки

c)

Всегда отвечать «Да»

d)

Заменить ответ набором эмодзи

e)

Прервать соединение с пользователем

36.

 Какова основная цель no-code искусственного интеллекта?

a)

Упростить создание моделей ИИ без программирования

b)

Обучать новым языкам программирования

c)

Создавать игровые программы

d)

Управлять компьютерными сетями

e)

Только хранить данные

37.

 Чем no-code отличается от low-code?

a)

No-code — готовые интерфейсы без кода; Low-code — минимальные блоки/настройки

b)

No-code требует Python, Low-code — нет

c)

No-code работает только оффлайн, Low-code — только онлайн

d)

No-code для ИТ-специалистов, Low-code — для «нетехнических» людей

e)

Различий нет

38.

 Какое главное преимущество no-code платформ?

a)

Возможность быстро и доступно создавать модели

b)

Нужно полностью освоить язык программирования

c)

Используются только для исследований

d)

Очень сложны в применении

e)

Требуют специальных устройств

39.

Кто основные пользователи no-code платформ?

a)

Нетехнические специалисты, представители бизнеса

b)

Только ИТ-инженеры

c)

Разработчики игр

d)

Сетевые администраторы

e)

Только научные сотрудники

40.

Корректная цепочка простой автоматизации документооборота:

a)

Почта → извлечь поля → классифицировать/проверить → записать в таблицу → уведомить

b)

Уведомить → записать → извлечь → классифицировать

c)

Записать → уведомить → классифицировать → извлечь

d)

Уведомить → почта → записать → извлечь

e)

Классифицировать → удалить → уведомить → записать

Similar Resources on Wayground

1-38

37 questions

1-38

quiz

Worksheet

•

University

Тақырып 12.Киберкеңістікте тұлғаның әлеуметтенуі. Лекция 12.

45 questions

Тақырып 12.Киберкеңістікте тұлғаның әлеуметтенуі. Лекция 12.

quiz

Worksheet

•

University

ұлттық тәрбие 71-105

35 questions

ұлттық тәрбие 71-105

quiz

Worksheet

•

University

Контрольная ООП. WPF

36 questions

Контрольная ООП. WPF

quiz

Worksheet

•

University

100 ПИТАНЬ (частина друга)

40 questions

100 ПИТАНЬ (частина друга)

quiz

Worksheet

•

3rd Grade - Professio...

Русский язык Тестирование №1

40 questions

Русский язык Тестирование №1

quiz

Worksheet

•

University

Рейтинг 1 НП

40 questions

Рейтинг 1 НП

quiz

Worksheet

•

University

саясаттану 1-40 (2)

40 questions

саясаттану 1-40 (2)

quiz

Worksheet

•

University