1
જનરેટિવ એઆઈ (Generative AI) અને ટ્રેડિશનલ/ડિસ્ક્રિમિનેટિવ એઆઈ (Discriminative AI) વચ્ચે મૂળભૂત તફાવત શો છે? જવાબ જુઓ A જનરેટિવ AI નવું ડેટા (ટેક્સ્ટ, ઇમેજ, કોડ) ઉત્પન્ન કરે છે; ટ્રેડિશનલ AI વર્ગીકરણ કે અનુમાન કરે છે. B જનરેટિવ AI માત્ર ગણિતના સરવાળા કરે છે; ટ્રેડિશનલ AI ગ્રાફિક્સ બનાવે છે. C જનરેટિવ AI કોઈ તાલીમ ડેટા વગર જ ચાલે છે. D ટ્રેડિશનલ AI માત્ર ક્લાઉડ પર ચાલે છે જ્યારે જનરેટિવ AI માત્ર મોબાઈલમાં.
2
સબવર્ડ ટોકનાઇઝેશન (દા.ત. BPE / WordPiece) 'unhappiness' શબ્દને સામાન્ય રીતે કેવી રીતે વિભાજિત કરશે? જવાબ જુઓ A તેને માત્ર એક જ અવિભાજ્ય શબ્દ ગણશે. B તેને ૧૧ અલગ અલગ અક્ષરોમાં વહેંચશે. C અર્થપૂર્ણ સબવર્ડ્સમાં જેમ કે ['un', 'happi', 'ness'] માં વિભાજિત કરશે. D તે શબ્દને અવગણીને ખાલી સ્પેસ ગણશે.
3
લાર્જ લેંગ્વેજ મોડેલ્સ (LLMs) ના પ્રીટ્રેઇનિંગ (Pretraining) તબક્કાનું શ્રેષ્ઠ વર્ણન કયું છે? જવાબ જુઓ A માનવ નિષ્ણાતો દ્વારા દરેક સવાલ-જવાબને હાથથી લેબલિંગ કરવું. B મોડેલને સીધું જ ગ્રાહક સેવા ચેટ માટે તૈયાર કરવું. C માત્ર 100 પાનાનું પુસ્તક વાંચવું. D વિશાળ ઇન્ટરનેટ ટેક્સ્ટ પર સેલ્ફ-સુપરવાઇઝ્ડ લર્નિંગ દ્વારા આગળનો આગામી શબ્દ (Next-Token Prediction) અનુમાનવાનું શીખવું.
4
જો LLM નું કોન્ટેક્સ્ટ વિન્ડો (Context Window) 8,192 ટોકન્સ હોય, તો તેનો વ્યવહારુ અર્થ શો થાય છે? જવાબ જુઓ A મોડેલ આખી જિંદગીમાં ફક્ત 8,192 શબ્દો જ યાદ રાખી શકે છે. B સિંગલ વિનંતીમાં પ્રોમ્પ્ટ (ઇનપુટ) અને જનરેટ થયેલ રિસ્પોન્સ (આઉટપુટ) નો કુલ સરવાળો વધુમાં વધુ 8,192 ટોકન્સ હોઈ શકે છે. C મોડેલ દર સેકન્ડે 8,192 જવાબો આપે છે. D API નો ખર્ચ દર મહિને 8,192 ડોલર થશે.
5
કાચા બેઝ LLM (Raw Base Model - જેને ફાઇન-ટ્યુનિંગ નથી કરાયું) ને જ્યારે 'ભારતની રાજધાની કઈ છે?' પૂછવામાં આવે ત્યારે તે શું કરી શકે છે? જવાબ જુઓ A સીધો જવાબ આપવાને બદલે સવાલને આગળ લંબાવીને 'અને તેનું ચલણ કયું છે? તેની વસ્તી કેટલી છે?' જેવું લખાણ પૂરું કરી શકે છે. B તરત જ વિનમ્રતાથી જવાબ આપે છે. C પ્રોગ્રામ એરર ફેંકીને બંધ થઈ જાય છે. D કમ્પ્યુટર આપમેળે શટડાઉન થઈ જાય છે.
6
મલ્ટી-ટર્ન ચેટ API માં 'System Prompt' નો મુખ્ય હેતુ શો છે? જવાબ જુઓ A સર્વરનું ઓપરેટિંગ સિસ્ટમ અપડેટ કરવું. B ડેટાબેઝના ટેબલ્સ સાફ કરવા. C માત્ર યુઝરના પાસવર્ડ ચેક કરવા. D સમગ્ર વાતચીત દરમિયાન AI ની ભૂમિકા (Persona), નિયમો, મર્યાદાઓ અને ટોન પૂર્વનિર્ધારિત કરવા.
7
પ્રોમ્પ્ટમાં પ્રશ્ન પૂછતા પહેલાં ૩ પ્રશ્ન-જવાબના ઉદાહરણો આપવાની પદ્ધતિને શું કહેવાય છે? જવાબ જુઓ A Zero-Shot Prompting B Full Fine-Tuning C Few-Shot Prompting (In-Context Learning) D Model Distillation
8
પ્રોમ્પ્ટના અંતે 'Let's think step by step' ઉમેરવાથી જટિલ તર્ક વાળા સવાલોમાં LLM ની સચોટતા કેમ વધે છે? જવાબ જુઓ A તે મોડેલને સીધો ઉતાવળિયો જવાબ આપવાને બદલે ક્રમશઃ પગલાંઓ જનરેટ કરવા માટે ટોકન્સ વાપરવા પ્રેરે છે (Chain-of-Thought). B તે ઇન્ટરનેટ સર્ચ ચાલુ કરી દે છે. C તે GPU સ્પીડ વધારી દે છે. D તે મોડેલને નવેસરથી ટ્રેન કરે છે.
9
નીચેનામાંથી કયું દૃશ્ય ઇનડાયરેક્ટ પ્રોમ્પ્ટ ઇન્જેક્શન (Indirect Prompt Injection) હુમલાનું ઉદાહરણ છે? જવાબ જુઓ A યુઝરે ચેટબોક્સમાં સીધું જ 'Ignore previous rules' લખવું. B AI જે બહારનું વેબપેજ કે ઇમેઇલ વાંચે છે તેની અંદર છુપાયેલી દૂષિત સૂચનાઓ AI ના સિસ્ટમ નિયમોને હાઇજેક કરી લે છે. C સર્વર પર DDoS એટેક કરવો. D વાઇફાઇ પાસવર્ડ ચોરી લેવો.
10
LLM API કોલમાં `temperature = 0.0` સેટ કરવાનો વ્યવહારુ અર્થ શો થાય છે? જવાબ જુઓ A મોડેલ સંપૂર્ણ રેન્ડમ અને સર્જનાત્મક જવાબો આપશે. B મોડેલ કોઈ જવાબ જ નહીં આપે. C સર્વર ઠંડુ પડી જશે. D મોડેલ સૌથી વધુ સંભવિત ટોકન જ પસંદ કરશે, જેનાથી જવાબ સંપૂર્ણ ડિટરમિનિસ્ટિક અને પુનરાવર્તિત બનશે.
11
Top-p (Nucleus) સેમ્પલિંગનો Top-k સેમ્પલિંગ સામે મુખ્ય ફાયદો શો છે? જવાબ જુઓ A Top-p માત્ર 5 શબ્દો જ યાદ રાખે છે. B Top-p હંમેશા ઝડપી ચાલે છે. C Top-p સંચિત સંભાવના થ્રેશોલ્ડ (દા.ત. ટોપ 90%) વાપરે છે, જેથી મોડેલના વિશ્વાસ મુજબ ટોકન્સની સંખ્યા ડાયનેમિકલી વધઘટ થાય છે. D Top-p ડેટાબેઝ ક્વેરીઝ સરળ બનાવે છે.
12
LLM જનરેશન પેરામીટર્સમાં `frequency_penalty` નો પ્રાથમિક હેતુ શો છે? જવાબ જુઓ A ટેક્સ્ટમાં પહેલેથી વારંવાર આવી ગયેલા શબ્દોના પુનરાવર્તનને દંડ આપીને અટકાવવું. B મોડેલનું પ્રોસેસર ફ્રિક્વન્સી (GHz) વધારવું. C જવાબની ઝડપ બમણી કરવી. D પ્રોમ્પ્ટની લંબાઈ માપવી.
13
જ્યારે LLM ટેક્સ્ટ જનરેટ કરતી વખતે નિર્દિષ્ટ `stop` સિક્વન્સ (દા.ત. `stop=['###']`) નો સામનો કરે ત્યારે શું થાય છે? જવાબ જુઓ A મોડેલ તરત જ ક્રેશ થઈ જાય છે. B મોડેલ તે સિક્વન્સ આવતાની સાથે જ વધુ લખાણ જનરેટ કરવાનું તાત્કાલિક બંધ કરી દે છે. C તે આખો પ્રોમ્પ્ટ ડિલીટ કરી દે છે. D તે ફરીથી શરૂઆતથી જવાબ લખવાનું શરૂ કરે છે.
14
Retrieval-Augmented Generation (RAG) સિસ્ટમ કંપનીના પ્રાઇવેટ દસ્તાવેજોનો ઉપયોગ કેવી રીતે કરે છે? જવાબ જુઓ A તે કંપનીના દસ્તાવેજોથી આખા મોડેલને દરરોજ ફરીથી સ્ક્રેચથી ટ્રેન કરે છે. B તે બધા દસ્તાવેજો પબ્લિક ગીથબ પર અપલોડ કરી દે છે. C તે માત્ર ફાઇલના નામ વાંચે છે. D તે પ્રશ્નને સુસંગત દસ્તાવેજો શોધીને LLM ના ઇનપુટ પ્રોમ્પ્ટમાં સંદર્ભ (context) તરીકે જોડીને જવાબ માંગે છે.
15
સેમેન્ટિક સર્ચ માટે પરંપરાગત કીવર્ડ મેચિંગ કરતાં ડેન્સ વેક્ટર એમ્બેડિંગ્સ (Dense Embeddings) કેમ ચડિયાતા છે? જવાબ જુઓ A તેઓ ચોક્કસ શબ્દો મળવાને બદલે વાક્યના ગૂઢ અર્થ અને વિભાવના (Semantic Meaning) ને સમજે છે. B તેઓ માત્ર અંગ્રેજી અક્ષરો જ વાંચી શકે છે. C તેઓ કોઈ મેમરી વાપરતા નથી. D તેઓ SQL વગર ચાલી શકતા નથી.
16
RAG પાઇપલાઇનમાં ચંક સાઈઝ (Chunk Size) અતિશય નાની (દા.ત. માત્ર 15 ટોકન્સ) રાખવાનું મોટું જોખમ શું છે? જવાબ જુઓ A વેક્ટર ડેટાબેઝ ક્રેશ થઈ જાય છે. B મોડેલ ખૂબ મોટું બની જાય છે. C વાક્યનો સંદર્ભ તૂટી જાય છે અને અપૂર્ણ માહિતીને કારણે LLM સચોટ જવાબ સમજી શકતું નથી. D કમ્પ્યુટર સ્લો થઈ જાય છે.
17
ટેક્સ્ટ એમ્બેડિંગ્સની સમાનતા માપવા માટે યુક્લિડિયન અંતર કરતાં કોસાઇન સિમિલારિટી (Cosine Similarity) કેમ વધુ વપરાય છે? જવાબ જુઓ A કોસાઇન સિમિલારિટી ગણતરીમાં અશક્ય છે. B તે વેક્ટરની લંબાઈ (દસ્તાવેજની લંબાઈ) થી પ્રભાવિત થયા વગર માત્ર બંને વચ્ચેના ખૂણાની દિશા (અર્થની સમાનતા) માપે છે. C તે માત્ર ઇન્ટીજર્સ સાથે જ કામ કરે છે. D તે ગૂગલનું પેટન્ટ છે.
18
RAG એપ્લિકેશન હોવા છતાં LLM ક્યારેક હેલ્યુસિનેટ (ખોટો જવાબ) કેમ આપે છે? જવાબ જુઓ A મોડેલનું સર્વર ઇન્ટરનેટથી ડિસ્કનેક્ટ થઈ ગયું છે. B યુઝરનો મોનિટર ખરાબ છે. C RAM ની કિંમત વધી ગઈ છે. D રિટ્રીવલ સ્ટેજમાં સાચો દસ્તાવેજ શોધાયો ન હોય અથવા પ્રોમ્પ્ટમાં ખોટો સંદર્ભ ગયો હોય.
19
રોજિંદા બદલાતા પ્રોડક્ટ ભાવ અને સ્ટોકની લિંક સાથે ગ્રાહકોને જવાબ આપવા કઈ પદ્ધતિ શ્રેષ્ઠ છે? જવાબ જુઓ A RAG અથવા ફંક્શન કોલિંગ (API Integration) B મોડેલને દર કલાકે ફૂલ ફાઇન-ટ્યુન કરવું. C મોડેલને પ્રીટ્રેઇન કરવું. D મોડેલને ડાઉનલોડ કરવું.
20
પેરામીટર-એફિશિયન્ટ ફાઇન-ટ્યુનિંગ (PEFT / LoRA) ફૂલ ફાઇન-ટ્યુનિંગ કરતાં શા માટે વધુ વ્યવહારુ છે? જવાબ જુઓ A તે માત્ર 10 સેકન્ડમાં ટ્રેન થઈ જાય છે. B તે મોડેલને સંપૂર્ણપણે ફ્રી બનાવી દે છે. C તે મૂળ બેઝ મોડેલને ફ્રીઝ રાખીને માત્ર 1% કરતાં પણ ઓછા નવા વેઇટ્સને ટ્રેન કરે છે, જેથી ઘણી ઓછી GPU મેમરી અને સ્ટોરેજ વપરાય છે. D તે ઇન્ટરનેટ વગર ચાલે છે.
21
LoRA (Low-Rank Adaptation) ટ્રેનેબલ પેરામીટર્સની સંખ્યા કેવી રીતે ઘટાડે છે? જવાબ જુઓ A ન્યુરોન્સ ડિલીટ કરીને. B મોટા વેઇટ મેટ્રિક્સ અપડેટ (ΔW) ને બે નાના લો-રેન્ક મેટ્રિસિસ (A અને B) ના ગુણાકાર તરીકે વિભાજીત કરીને. C બધા વજન 8-બીટમાં કન્વર્ટ કરીને. D મોડેલનું આઉટપુટ અડધું કરીને.
22
RLHF (માનવ પ્રતિસાદ આધારિત રીઇન્ફોર્સમેન્ટ લર્નિંગ) માં 'Reward Model' ની મુખ્ય ભૂમિકા કઈ છે? જવાબ જુઓ A યુઝરને ડિસ્કાઉન્ટ કૂપન આપવા. B GPU વીજળીનું બિલ ઘટાડવું. C મોડેલને આપમેળે પ્રીટ્રેઇન કરવું. D માનવ પસંદગીઓના આધારે મોડેલના જવાબોને સ્કોર (સારા કે ખરાબ હોવાનો અંક) આપવો જેથી પોલિસી મોડેલ સુધરી શકે.
23
અબજો ચોક્કસ વેબપેજીસ વાંચ્યા હોવા છતાં LLMs ક્યારેક ખોટી માહિતી (હેલ્યુસિનેશન) કેમ પેદા કરે છે? જવાબ જુઓ A કારણ કે LLMs જ્ઞાનનો સંગ્રહ કરવાને બદલે આંકડાકીય સંભાવના (Probability Distribution) ના આધારે સૌથી બંધબેસતો આગળનો ટોકન જનરેટ કરે છે. B કારણ કે કમ્પ્યુટર વાયરસ આવી ગયો હોય છે. C કારણ કે મોડેલ જાણીજોઈને જૂઠું બોલે છે. D કારણ કે ઇન્ટરનેટ ધીમું છે.
24
જો LLM નો નોલેજ કટઓફ જૂન ૨૦૨૩ હોય, અને વેબ સર્ચ વિના ઓગસ્ટ ૨૦૨૪ ના ઓલિમ્પિક વિજેતા વિશે પૂછવામાં આવે તો શું થશે? જવાબ જુઓ A તે ભવિષ્ય જાણીને સાચો જવાબ આપશે. B તેનું સર્વર બંધ થઈ જશે. C તે પોતાની કટઓફ તારીખ જણાવશે અથવા જૂના ડેટાના આધારે ખોટો મનઘડંત જવાબ (હેલ્યુસિનેશન) આપશે. D તે આપમેળે ઓગસ્ટ ૨૦૨૪ ના અખબારો ડાઉનલોડ કરશે.
25
એન્ટરપ્રાઇઝ આર્કિટેક્ચરમાં 'ઇનપુટ ગાર્ડરેલ' અને 'આઉટપુટ ગાર્ડરેલ' વચ્ચેનો મુખ્ય તફાવત શો છે? જવાબ જુઓ A ઇનપુટ ગાર્ડરેલ હાર્ડવેર છે; આઉટપુટ ગાર્ડરેલ સોફ્ટવેર છે. B ઇનપુટ ગાર્ડરેલ વપરાશકર્તાના પ્રોમ્પ્ટમાં દૂષિત ઇરાદા/ટોક્સિસિટી ચકાસે છે; આઉટપુટ ગાર્ડરેલ વપરાશકર્તા સુધી પહોંચતા પહેલાં LLM ના જવાબની સલામતી/ગોપનીયતા ચકાસે છે. C બંને ગાર્ડરેલ્સ એકસમાન છે. D તે માત્ર પાસવર્ડ બદલવા માટે વપરાય છે.
26
જેલબ્રેકિંગ (Jailbreaking) હુમલાનો સામાન્ય હેતુ શો હોય છે? જવાબ જુઓ A મોડેલનું સર્વર હેક કરીને સોર્સ કોડ ચોરવો. B મોડેલને ઝડપી બનાવવું. C મોડેલમાં નવા ડેટાબેઝ ઉમેરવા. D રોલ-પ્લે અથવા કાલ્પનિક દૃશ્યો રચીને મોડેલની બિલ્ટ-ઇન નૈતિક અને સલામતી મર્યાદાઓને બાયપાસ કરીને પ્રતિબંધિત માહિતી મેળવવી.
27
જ્યારે એપ્લિકેશન LLM ના 'Function Calling' (Tool Use) ફીચરનો ઉપયોગ કરે છે, ત્યારે એક્સટર્નલ ફંક્શન વાસ્તવમાં કોણ ચલાવે છે? જવાબ જુઓ A LLM જાતે જ સર્વર પર કોડ રન કરે છે. B ક્લાયન્ટ એપ્લિકેશન મોડેલ દ્વારા આપેલા JSON આર્ગ્યુમેન્ટ્સ વાંચીને પોતાના પર્યાવરણમાં ફંક્શન ચલાવે છે અને પરિણામ મોડેલને પાછું મોકલે છે. C ગૂગલનું સર્વર ચલાવે છે. D ડેટાબેઝ આપમેળે ચલાવે છે.
28
સામાન્ય ચેટબોટ કરતાં 'AI Agent' ને કઈ બાબત વધુ શ્રેષ્ઠ અને સ્વતંત્ર બનાવે છે? જવાબ જુઓ A તે માત્ર રંગબેરંગી ટેક્સ્ટ આપે છે. B તે માત્ર વધારે શબ્દો બોલે છે. C તે લક્ષ્ય પ્રાપ્ત કરવા માટે જાતે તર્ક (Reasoning), આયોજન (Planning), ટૂલ્સનો ઉપયોગ (Tool Use) અને પુનરાવર્તિત લૂપમાં નિર્ણયો લેવાની ક્ષમતા ધરાવે છે. D તે હંમેશા માનવ વગર કામ કરી શકતું નથી.
29
LangChain અને LlamaIndex જેવા ઓર્કેસ્ટ્રેશન ફ્રેમવર્ક્સનું મુખ્ય કાર્ય શું છે? જવાબ જુઓ A નવા GPU પ્રોસેસર્સ ડિઝાઇન કરવા. B LLMs, પ્રોમ્પ્ટ ટેમ્પલેટ્સ, વેક્ટર સ્ટોર્સ, એજન્ટિક લૂપ્સ અને એક્સટર્નલ ડેટા સ્રોતોને સરળતાથી જોડવા અને મેનેજ કરવા માટેના ટૂલ્સ પૂરા પાડવા. C મોડેલનું વજન ઘટાડવું. D કમ્પ્યુટર મોનિટરનું રિઝોલ્યુશન વધારવું.
30
નીચેનામાંથી કયું કાર્ય મલ્ટીમોડલ LLM (Multimodal Model - દા.ત. GPT-4o, Gemini) ની ક્ષમતા દર્શાવે છે? જવાબ જુઓ A માત્ર અંગ્રેજી શબ્દોની ગણતરી કરવી. B માત્ર CSV ફાઇલ ડાઉનલોડ કરવી. C કમ્પ્યુટર સ્પીકર બંધ કરવું. D હાથથી દોરેલા આકૃતિના ફોટોનું વિશ્લેષણ કરીને તેમાંથી સીધો HTML/CSS કોડ જનરેટ કરવો અથવા ઓડિયો સાંભળીને જવાબ આપવો.
31
આધુનિક ઓટોરિગ્રેસિવ LLMs (GPT-4, Llama 3) મુખ્યત્વે એન્કોડર-ડેકોડર (T5) ના બદલે ડેકોડર-ઓન્લી (Decoder-only) આર્કિટેક્ચર કેમ વાપરે છે? જવાબ જુઓ A ડેકોડર મોડેલ્સમાં કોઈ મેથેમેટિકલ ઓપરેશન હોતા નથી. B ડેકોડર-ઓન્લી આર્કિટેક્ચર કોઝલ અટેન્શન (Causal Attention) સાથે વધુ પેરામીટર-કાર્યક્ષમ છે, પ્રીટ્રેઇનિંગ અને KV-કેશિંગમાં સ્કેલેબલ છે. C એન્કોડર મોડેલ્સ GPU પર ચાલી શકતા નથી. D ડેકોડર માત્ર ૨ લેયર્સ ધરાવે છે.
32
સ્કેલ્ડ ડોટ-પ્રોડક્ટ અટેન્શન સૂત્રમાં ડોટ-પ્રોડક્ટને `1 / sqrt(d_k)` વડે કેમ સ્કેલ કરવામાં આવે છે? જવાબ જુઓ A મેમરી વપરાશ ઘટાડવા માટે. B મોટા ડાયમેન્શનમાં ડોટ-પ્રોડક્ટ્સ અત્યંત મોટા ન થઈ જાય તે માટે, જેથી સોફ્ટમેક્સના ગ્રેડિયન્ટ્સ અત્યંત નાના (vanishing) ન બને. C ટોકન્સની સંખ્યા બમણી કરવા માટે. D વેક્ટરને નેગેટિવ બનાવવા માટે.
33
ઓટોરિગ્રેસિવ LLM ઇન્ફરન્સ દરમિયાન Key-Value (KV) Cache નું મુખ્ય કાર્ય અને ઓપરેશનલ ફાયદો શો છે? જવાબ જુઓ A ડેટાબેઝના પાસવર્ડ્સ કેશ કરવા. B મોડેલનું તાપમાન ઘટાડવું. C પાછલા તમામ ટોકન્સના Key અને Value વેક્ટર્સને મેમરીમાં સાચવી રાખવા જેથી દરેક નવા ટોકન પર તેમની ફરીથી ગણતરી ન કરવી પડે (O(N^2) માંથી O(N)). D મોડેલનું કદ નાનું કરવું.
34
Llama 3 અને Mistral જેવા આધુનિક મોડેલ્સમાં ક્વેરી અને કી વેક્ટર્સને રોટેટ કરીને પોઝિશન દર્શાવતી કઈ ટેકનિક સ્ટાન્ડર્ડ બની છે? જવાબ જુઓ A Sinusoidal Absolute Positional Encoding B Learned Absolute Embeddings C RoPE (Rotary Position Embedding) D One-Hot Positional Vectors
35
Byte Pair Encoding (BPE) ટોકનાઇઝેશન અલ્ગોરિધમમાં વોકેબ્યુલરી બનાવવાની મૂળભૂત પદ્ધતિ કઈ છે? જવાબ જુઓ A સૌથી લાંબા શબ્દો પહેલાં પસંદ કરવા. B બેઝ અક્ષરોથી શરૂ કરીને ટ્રેનિંગ ડેટામાં સૌથી વધુ વારંવાર સાથે આવતી જોડી (frequent adjacent pair) ને વારંવાર મર્જ કરવી. C રેન્ડમ અક્ષરો પસંદ કરવા. D માત્ર ડિક્શનરીના સ્પેલિંગ્સ રાખવા.
36
કયો ડીકોડિંગ પેરામીટર એવા નાનામાં નાના ટોકન્સ સેટને પસંદ કરે છે જેમની સંચિત સંભાવના થ્રેશોલ્ડ p જેટલી કે તેથી વધુ થાય? જવાબ જુઓ A Greedy Search B Top-k Sampling C Top-p (Nucleus) Sampling D Temperature Scaling
37
સ્ટાન્ડર્ડ Few-Shot પ્રોમ્પ્ટિંગ અને Chain-of-Thought (CoT) પ્રોમ્પ્ટિંગ વચ્ચે મૂળભૂત તફાવત શો છે? જવાબ જુઓ A Few-Shot માત્ર કોડિંગ માટે છે; CoT માત્ર અંગ્રેજી માટે છે. B Few-Shot માત્ર ઇનપુટ-આઉટપુટ ઉદાહરણો આપે છે; CoT ઉદાહરણોમાં અંતિમ જવાબ પહેલાં સ્ટેપ-બાય-સ્ટેપ તર્ક (reasoning steps) પણ દર્શાવે છે. C CoT માં કોઈ ઉદાહરણ હોતા નથી. D Few-Shot હંમેશા 100% સચોટ હોય છે.
38
જ્યારે વેબપેજ કે ઇમેઇલમાંથી રિટ્રીવ થયેલા ડેટામાં દૂષિત સૂચનાઓ હોય જે મોડેલના સિસ્ટમ નિયમો બદલી નાખે ત્યારે તેને કયો એટેક કહેવાય છે? જવાબ જુઓ A Direct Jailbreaking B Indirect Prompt Injection C SQL Injection D Cross-Site Scripting (XSS)
39
પ્રોડક્શન RAG પાઇપલાઇનમાં બાય-એન્કોડર રિટ્રીવલ પછી ક્રોસ-એન્કોડર (Re-ranker) કેમ વાપરવામાં આવે છે? જવાબ જુઓ A Re-ranker ડેટાબેઝ ક્વેરી ઝડપી બનાવે છે. B Bi-encoder લાખો ડોક્યુમેન્ટ્સમાંથી ઝડપથી ટોપ-૧૦૦ લાવે છે; Cross-encoder ક્વેરી અને ડોક્યુમેન્ટને એકસાથે ફુલ અટેન્શનથી સરખાવીને સચોટ ટોપ-૫ રિ-રેન્ક કરે છે. C Bi-encoder માત્ર અક્ષરો ગણે છે. D Cross-encoder ક્યારેય GPU વાપરતું નથી.
40
કયો સિમિલારિટી મેટ્રિક બે વેક્ટર્સ વચ્ચેના ખૂણાના કોસાઇનની ગણતરી કરે છે અને વેક્ટરની લંબાઈ (magnitude) થી સંપૂર્ણ સ્વતંત્ર છે? જવાબ જુઓ A Euclidean Distance (L2) B Manhattan Distance (L1) C Dot Product (Inner Product) D Cosine Similarity
41
આધુનિક વેક્ટર ડેટાબેઝ (Pinecone, Qdrant, Milvus) માં હાઇ-સ્પીડ Approximate Nearest Neighbor (ANN) સર્ચ માટે કયો ગ્રાફ અલ્ગોરિધમ સૌથી લોકપ્રિય છે? જવાબ જુઓ A Dijkstra's Algorithm B HNSW (Hierarchical Navigable Small World) C K-Means Clustering D Bellman-Ford Algorithm
42
એડવાન્સ્ડ RAG માં HyDE (Hypothetical Document Embeddings) ટેકનિક રિટ્રીવલ કેવી રીતે સુધારે છે? જવાબ જુઓ A ડેટાબેઝમાંથી બધા જૂના રેકોર્ડ્સ ડિલીટ કરીને. B LLM પાસે પ્રશ્નનો કાલ્પનિક આદર્શ જવાબ લખાવીને તે કાલ્પનિક જવાબનું એમ્બેડિંગ બનાવીને સાચા દસ્તાવેજો શોધે છે. C પ્રશ્નનું અન્ય ભાષામાં ભાષાંતર કરીને. D પ્રશ્નની લંબાઈ ઘટાડીને.
43
Ragas જેવા ઓટોમેટેડ RAG ઇવેલ્યુએશન ફ્રેમવર્કમાં 'Faithfulness' મેટ્રિક ખાસ શું માપે છે? જવાબ જુઓ A મોડેલનું ઇન્ટરનેટ કનેક્શન સ્ટેટસ. B જવાબની લંબાઈ. C જનરેટ થયેલા જવાબમાં રહેલા દાવાઓ માત્ર રિટ્રીવ થયેલા કોન્ટેક્સ્ટ પરથી જ સાબિત થાય છે કે નહીં (હેલ્યુસિનેશન ચેક). D મોડેલનો પ્રતિસાદ સમય.
44
પ્રોડક્શન RAG માં હાઇબ્રિડ સર્ચ (Dense Vector + Sparse BM25) વાપરવાનો મુખ્ય હેતુ શો છે? જવાબ જુઓ A કમ્પ્યુટર સ્પીડ અડધી કરવી. B માત્ર ઈમેજીસ સર્ચ કરવી. C સેમેન્ટિક અર્થ (Dense) અને ચોક્કસ કીવર્ડ્સ/પાર્ટ નંબર્સ/કોડ્સ (BM25) બંનેના ઉત્તમ પરિણામો મેળવવા માટે. D ડેટાબેઝ ક્વેરી બંધ કરવી.
45
Low-Rank Adaptation (LoRA) માં મૂળ બેઝ મોડેલને ફ્રીઝ રાખીને વેઇટ મેટ્રિક્સ કેવી રીતે અપડેટ થાય છે? જવાબ જુઓ A મૂળ વજનને શૂન્ય બનાવીને. B સમાંતર બે નાના લો-રેન્ક મેટ્રિસિસ B અને A નો ગુણાકાર ઉમેરીને: `W = W_0 + (B × A) * (alpha / r)`. C માત્ર બાયસ વેરિયેબલ્સ અપડેટ કરીને. D બધા લેયર્સ ડિલીટ કરીને.
46
QLoRA માં ૬૫B મોડેલને સિંગલ ૪૮GB GPU પર ફાઇન-ટ્યુન કરવા કઈ મહત્વની તકનીકો રજૂ કરવામાં આવી? જવાબ જુઓ A કમ્પ્યુટર ઓવરક્લોકિંગ. B 4-bit NormalFloat (NF4), ડબલ ક્વોન્ટાઇઝેશન (Double Quantization) અને પેજ્ડ ઓપ્ટિમાઇઝર્સ (Paged Optimizers). C મોડેલમાંથી અડધા લેયર્સ કાઢી નાખવા. D ડેટાબેઝનું કદ ઘટાડવું.
47
Direct Preference Optimization (DPO) અને ટ્રેડિશનલ PPO-આધારિત RLHF વચ્ચે મૂળભૂત તફાવત શો છે? જવાબ જુઓ A DPO માં કોઈ ડેટા હોતો નથી. B DPO અલગ રિવોર્ડ મોડેલ અને જટિલ RL લૂપ વગર સીધા જ પ્રિફરન્સ ડેટા પર ક્લોઝ્ડ-ફોર્મ લોસ વડે પોલિસીને ઓપ્ટિમાઇઝ કરે છે. C PPO ક્યારેય GPU વાપરતું નથી. D DPO માત્ર છબીઓ માટે જ છે.
48
LLM ઇન્સ્ટ્રક્શન ટ્યુનિંગમાં 'Catastrophic Forgetting' એટલે શું અને તેને કેવી રીતે રોકી શકાય? જવાબ જુઓ A GPU ની મેમરી અચાનક ખાલી થઈ જવી. B નવા ચોક્કસ કાર્ય પર ટ્રેન થતાં મોડેલ અગાઉનું સામાન્ય જ્ઞાન ભૂલી જવું; જનરલ પ્રીટ્રેઇનિંગ ડેટાનું મિશ્રણ ઉમેરીને કે LoRA વાપરીને તેને રોકાય છે. C મોડેલનું સર્વર હેક થઈ જવું. D કોડમાં એરર આવી જવી.
49
એન્ટરપ્રાઇઝ AI અમલીકરણમાં RAG ના બદલે ક્યારે 'Fine-Tuning' પસંદ કરવું વધુ યોગ્ય ગણાય? જવાબ જુઓ A રોજિંદા બદલાતા પ્રોડક્ટ ભાવો દર્શાવવા માટે. B દસ્તાવેજોના ચોક્કસ પેરેગ્રાફ્સ ટાંકવા માટે. C જ્યારે મોડેલની શૈલી, ટોન, ખાસ ડોમેન ભાષા (Jargon) કે ચોક્કસ ફોર્મેટિંગ (દા.ત. ખાસ JSON સ્કીમા) શીખવવી હોય. D જ્યારે કંપની પાસે કોઈ તાલીમ ડેટા ન હોય.
50
ઓટોરિગ્રેસિવ LLMs તથ્ય સંબંધી અચોક્કસતાઓ (Hallucinations) કેમ પેદા કરે છે તેનું મૂળભૂત કારણ શું છે? જવાબ જુઓ A કમ્પ્યુટરનું તાપમાન વધી જવાથી. B કારણ કે તેમનું આર્કિટેક્ચર માત્ર ભાષાના આગળના સંભવિત ટોકનનું અનુમાન લગાવે છે, તથ્યોની સત્યતા ચકાસવા માટે કોઈ સ્વતંત્ર ગ્રાઉન્ડ-ટ્રુથ લોજિક નથી. C મોડેલ જાણીજોઈને યુઝરને છેતરે છે. D મોડેલ માત્ર હિન્દીમાં જ વિચારે છે.
51
જ્યારે LLM-as-a-Judge પદ્ધતિથી મોડેલ્સનું મૂલ્યાંકન થાય છે, ત્યારે 'Verbosity Bias' નો શો અર્થ થાય છે? જવાબ જુઓ A જજ મોડેલ માત્ર ટૂંકા જવાબો પસંદ કરે છે. B જજ મોડેલ લાંબા, વિસ્તૃત અને ઔપચારિક દેખાતા જવાબોને વધુ ગુણ આપવાનું વલણ ધરાવે છે, ભલે તે ગુણવત્તામાં શ્રેષ્ઠ ન હોય. C મોડેલ મૂલ્યાંકન કરવાનું બંધ કરી દે છે. D જવાબો માત્ર અક્ષરોની સંખ્યા પર આધારિત હોય છે.
52
કોડ સિન્થેસિસ અને પ્રોગ્રામિંગ ચોકસાઈ ચકાસવા માટે એકમ પરીક્ષણો (Unit Tests) વાપરતો સ્ટાન્ડર્ડ બેન્ચમાર્ક કયો છે? જવાબ જુઓ A MMLU B GLUE C HumanEval (OpenAI) D BLEU Score
53
Llama Guard અને NeMo Guardrails જેવી સમર્પિત સેફ્ટી સિસ્ટમ્સનું મુખ્ય કાર્ય શું છે? જવાબ જુઓ A હાર્ડવેર ગરમી નિયંત્રિત કરવી. B પ્રોમ્પ્ટ અને રિસ્પોન્સનું વર્ગીકરણ કરીને હાનિકારક વિષયો (હિંસા, નફરત, PII લીક, સાયબર હુમલા) સામે સુરક્ષા કવચ પૂરું પાડવું. C GPU મેમરી ક્લીન કરવી. D મોડેલને રિસ્ટાર્ટ કરવું.
54
આધુનિક APIs (OpenAI / Anthropic Tool Use) માં LLM વાસ્તવમાં ટૂલ કોલ કેવી રીતે એક્ઝિક્યુટ કરે છે? જવાબ જુઓ A મોડેલ ડાયરેક્ટ તમારા કમ્પ્યુટરનો ટર્મિનલ ખોલીને કમાન્ડ ચલાવે છે. B મોડેલ ટૂલનું નામ અને વેલિડ આર્ગ્યુમેન્ટ્સ ધરાવતો સ્ટ્રક્ચર્ડ JSON ઓબ્જેક્ટ બનાવે છે; હોસ્ટ સિસ્ટમ તેને રન કરીને પરિણામ મોડેલને પરત મોકલે છે. C મોડેલ માત્ર 'Yes' કે 'No' કહે છે. D ડેટાબેઝ ક્વેરી જાતે રન થઈ જાય છે.
55
ReAct (Reasoning + Acting) એજન્ટ ફ્રેમવર્ક કયું પાયાનું ચક્ર વાપરે છે? જવાબ જુઓ A Compile -> Run -> Debug B Thought (વિચારવું) -> Action (પગલું લેવું) -> Observation (પરિણામ જોવું) નો પુનરાવર્તિત લૂપ. C Input -> Output -> End D Save -> Delete -> Exit
56
મલ્ટી-ટર્ન એજન્ટ સેશન્સમાં આખી ચેટ હિસ્ટ્રી મોકલવા કરતાં 'Sliding-Window with Summary Memory' કેમ વધુ પસંદ કરાય છે? જવાબ જુઓ A તે માત્ર અંગ્રેજીમાં જ ચાલે છે. B તે કોન્ટેક્સ્ટ વિન્ડો ભરાઈ જતી અટકાવે છે, ટોકન ખર્ચ નિયંત્રિત રાખે છે અને જૂની વાતચીતનો સંક્ષિપ્ત સારાંશ જાળવી રાખે છે. C તે પ્રોગ્રામિંગ એરર્સ અટકાવે છે. D તે ડેટાબેઝ સાફ રાખે છે.
57
મલ્ટી-એજન્ટ આર્કિટેક્ચર્સ (AutoGen, CrewAI, LangGraph) માં 'Supervisor / Router' એજન્ટની ભૂમિકા કઈ છે? જવાબ જુઓ A બધા સર્વર્સનું ઇન્ટરનેટ કનેક્શન તપાસવું. B વપરાશકર્તાના કાર્યનું વિશ્લેષણ કરીને યોગ્ય સ્પેશિયલાઇઝ્ડ સબ-એજન્ટ્સ (દા.ત. રિસર્ચર, કોડર, રિવ્યુઅર) ને કામ સોંપવું અને પરિણામોનું સંકલન કરવું. C ફક્ત ડેટાબેઝ બેકઅપ લેવું. D GPU ના પંખા ચાલુ કરવા.
58
vLLM જેવા હાઇ-થ્રુપુટ સર્વિંગ એન્જિન્સમાં PagedAttention ટેકનિક GPU KV Cache નો બગાડ કેવી રીતે રોકે છે? જવાબ જુઓ A બધા ટોકન્સ ડિલીટ કરીને. B ઓપરેટિંગ સિસ્ટમના વર્ચ્યુઅલ મેમરી પેજિંગની જેમ નોન-કન્ટીગ્યુઅસ ફિઝિકલ મેમરી બ્લોક્સમાં KV કેશ ફાળવીને, જેથી મેમરી વેસ્ટ 4% કરતાં ઓછો થઈ જાય છે. C મોડેલનું વજન અડધું કરીને. D ઇન્ટરનેટ બેન્ડવિડ્થ વધારીને.
59
AWQ (Activation-aware Weight Quantization) નું સ્ટાન્ડર્ડ યુનિફોર્મ ક્વોન્ટાઇઝેશન કરતાં શું મોટું અંતર છે? જવાબ જુઓ A AWQ માત્ર CPU પર ચાલે છે. B તે ઓળખે છે કે બધા વજન સમાન મહત્વના નથી; તે માત્ર ૧% સૌથી મહત્વપૂર્ણ વેઇટ્સ (જેમના એક્ટિવેશન્સ ઊંચા છે) નું રક્ષણ કરે છે જેથી 4-bit પર પણ મોડેલ ક્ષમતા ઘટતી નથી. C તે માત્ર ઇમેજ મોડેલ્સ માટે છે. D તે મોડેલને મોટું બનાવે છે.
60
સ્પિક્યુલેટિવ ડીકોડિંગ (Speculative Decoding) મોટા ટાર્ગેટ LLM ની ઇન્ફરન્સ લેટન્સી કેવી રીતે ઘટાડે છે? જવાબ જુઓ A મોટા મોડેલને ડિલીટ કરીને. B એક નાનું ઝડપી ડ્રાફ્ટ મોડેલ ઝડપથી K ટોકન્સનો ડ્રાફ્ટ બનાવે છે અને મોટું મોડેલ સિંગલ ફોરવર્ડ પાસમાં તે તમામનું સમાંતર વેરિફિકેશન કરે છે. C મોડેલને ઓફલાઇન રાખીને. D ટોકન્સની સંખ્યા ઘટાડીને.