Quiz: IA multimodal
Ponga a prueba sus conocimientos sobre sistemas de IA multimodal.
30 preguntas - Haga clic en cada pregunta para revelar la respuesta correcta.
Pregunta 1
¿Qué es la IA multimodal?
A) IA que se ejecuta en múltiples computadoras
B) IA que procesa múltiples tipos de contenido (texto, imagen, audio)
C) IA con múltiples versiones
D) IA que habla varios idiomas
Mostrar respuesta
Respuesta correcta: B
La IA multimodal puede procesar y generar múltiples tipos de contenido—texto, imágenes, audio, video—a menudo en combinación.
Pregunta 2
¿Qué significa GPT-4V?
A) GPT-4 Virtual
B) GPT-4 Vision
C) GPT-4 Versión
D) GPT-4 Voz
Mostrar respuesta
Respuesta correcta: B
GPT-4V se refiere a GPT-4 con capacidades de visión—la habilidad de analizar y comprender imágenes.
Pregunta 3
¿Qué modelo tiene la ventana de contexto más larga para imágenes?
A) GPT-4
B) Claude 3
C) Gemini 1.5
D) LLaVA
Mostrar respuesta
Respuesta correcta: C
Gemini 1.5 tiene una ventana de contexto de más de 1 millón de tokens, lo que permite procesar contenido visual más extenso.
Pregunta 4
¿Para qué se utiliza CLIP?
A) Procesamiento de audio
B) Conectar texto e imágenes
C) Edición de video
D) Generación de código
Mostrar respuesta
Respuesta correcta: B
CLIP (Contrastive Language-Image Pre-training) conecta texto e imágenes, formando la base de muchos sistemas multimodales.
Pregunta 5
¿Qué es Vision Transformer (ViT)?
A) Una cámara
B) Aplicar la arquitectura transformer a imágenes
C) Un códec de video
D) Un formato de imagen
Mostrar respuesta
Respuesta correcta: B
Vision Transformer aplica la arquitectura transformer a imágenes dividiéndolas en fragmentos procesados como tokens de texto.
Preguntas 6-30
Pregunta 6: ¿Qué pueden hacer los modelos de visión-lenguaje?
A) Solo generar imágenes B) Analizar, describir y razonar sobre imágenes C) Solo texto D) Solo audio
Respuesta: B - Pueden analizar, describir y responder preguntas sobre imágenes.
Pregunta 7: ¿Cuál es una buena práctica para los prompts de imágenes?
A) Preguntas vagas B) Preguntas claras y específicas con contexto C) No se necesita texto D) Solo palabras sueltas
Respuesta: B - Preguntas claras y específicas con contexto producen mejores resultados.
Pregunta 8: ¿Qué no pueden hacer de manera confiable los modelos de visión actuales?
A) Describir imágenes B) Identificar individuos específicos por el rostro C) Leer texto grande D) Analizar gráficos
Respuesta: B - Por privacidad/seguridad, los modelos no identifican individuos por el rostro.
Pregunta 9: ¿Qué es la comprensión cruzada de modalidades?
A) Comprender cruces B) Conectar el significado entre tipos de contenido C) Entrenamiento cruzado D) Cruce de archivos
Respuesta: B - Conectar y comprender el significado entre diferentes modalidades.
Pregunta 10: ¿Qué empresa creó las capacidades de visión de Claude 3?
A) OpenAI B) Anthropic C) Google D) Meta
Respuesta: B - Anthropic creó Claude 3 con capacidades de visión.
Pregunta 11: ¿Qué es un modelo multimodal unificado?
A) Talla única B) Un solo modelo que maneja múltiples modalidades C) Bases de datos combinadas D) Almacenamiento compartido
Respuesta: B - Un solo modelo que puede procesar múltiples tipos de contenido.
Pregunta 12: ¿Qué hace Whisper?
A) Generar imágenes B) Convertir audio en texto C) Crear videos D) Escribir código
Respuesta: B - Whisper es el modelo de transcripción de audio de OpenAI.
Pregunta 13: ¿Qué se espera próximamente en la IA multimodal?
A) Solo texto B) Comprensión de video en tiempo real C) Solo imágenes D) Reconocimiento de olores
Respuesta: B - Análisis de video en tiempo real e integración audiovisual.
Pregunta 14: ¿Qué aplicación de accesibilidad permite la IA de visión?
A) Hacer los teléfonos más ruidosos B) Describir imágenes para personas con discapacidad visual C) Pantallas más grandes D) Conexiones más rápidas
Respuesta: B - Describir imágenes automáticamente para accesibilidad.
Pregunta 15: ¿Qué combinación de entrada pueden manejar los modelos de visión?
A) Solo texto B) Imagen + preguntas de texto C) Solo imágenes D) Solo audio
Respuesta: B - Los modelos de visión pueden recibir imágenes y preguntas de texto juntas.
Pregunta 16: ¿Qué es el entrenamiento multimodal nativo?
A) Entrenamiento al aire libre B) Entrenamiento en múltiples modalidades desde el inicio C) Entrenamiento natural D) Idioma nativo
Respuesta: B - Entrenar el modelo en varios tipos de contenido simultáneamente.
Pregunta 17: ¿Qué mejora los resultados de la IA de visión?
A) Imágenes borrosas B) Imágenes claras con prompts específicos C) Sin prompts D) Imágenes muy pequeñas
Respuesta: B - Imágenes claras y de calidad con prompts específicos funcionan mejor.
Pregunta 18: ¿Qué desafío enfrenta la IA multimodal?
A) Demasiado fácil B) Requisitos computacionales aumentados C) Sin aplicaciones D) Solo funciona sin conexión
Respuesta: B - Multimodal requiere muchos más recursos de cómputo.
Pregunta 19: ¿Qué es la IA incorporada (embodied AI)?
A) IA con cuerpo B) IA que interactúa con el mundo físico C) Chips embebidos D) IA de escaneo corporal
Respuesta: B - IA que puede razonar e interactuar con el mundo físico.
Pregunta 20: ¿Qué preocupación social acompaña a la IA multimodal?
A) Demasiado rápida B) Deepfakes más convincentes C) Demasiado precisa D) Demasiado útil
Respuesta: B - Multimodal hace que el contenido sintético sea más convincente.
Pregunta 21: ¿Qué es LLaVA?
A) Un volcán B) Un modelo de visión-lenguaje de código abierto C) Una empresa D) Un formato de video
Respuesta: B - LLaVA es un modelo de visión-lenguaje de código abierto.
Pregunta 22: ¿Con qué puede ayudar la IA de visión en documentos?
A) Solo impresión B) Comprender PDFs con texto e imágenes C) Solo almacenamiento D) Solo eliminación
Respuesta: B - Analizar documentos que combinan texto, imágenes y gráficos.
Pregunta 23: ¿En qué consiste la tokenización de imágenes?
A) Agregar dinero B) Dividir imágenes en fragmentos para su procesamiento C) Encriptar D) Comprimir
Respuesta: B - Convertir imágenes en fragmentos que pueden procesarse como tokens.
Pregunta 24: ¿Qué caso de uso empresarial se beneficia del multimodal?
A) Solo correo electrónico B) Análisis de reuniones (video + audio + documentos) C) Solo mecanografía D) Solo archivo
Respuesta: B - Analizar reuniones a través de video, audio y documentos.
Pregunta 25: ¿Qué debe desarrollar para el futuro multimodal?
A) Solo habilidades de texto B) Habilidades de prompting multimodal y pensamiento de integración C) Solo habilidades de imagen D) Solo audio
Respuesta: B - Habilidades para combinar y crear prompts entre modalidades.
Pregunta 26: ¿Qué puede hacer bien Claude 3 con imágenes?
A) Solo generar B) Análisis detallado de gráficos y diagramas C) Solo eliminar D) Solo comprimir
Respuesta: B - Claude 3 destaca en el análisis detallado de visuales complejos.
Pregunta 27: ¿Cuál es una limitación para imágenes de multitudes?
A) Demasiado coloridas B) Es difícil contar con precisión C) Demasiado brillantes D) Demasiado oscuras
Respuesta: B - Los modelos actuales tienen dificultades para contar objetos con precisión en multitudes.
Pregunta 28: ¿En qué consiste la comprensión 3D?
A) Solo películas 3D B) Razonamiento espacial y comprensión de modelos 3D C) Impresión 3D D) Gafas 3D
Respuesta: B - Comprender y razonar sobre el espacio y modelos 3D.
Pregunta 29: ¿Qué aplicación de salud está surgiendo?
A) Solo facturación B) Análisis multimodal de datos de pacientes C) Solo programación de citas D) Solo registros
Respuesta: B - Analizar datos de pacientes a través de múltiples modalidades.
Pregunta 30: ¿Cuál es el principal beneficio de la IA multimodal?
A) Usa menos energía B) Interacción más natural y similar a la humana C) Solo más rápida D) Solo más barata
Respuesta: B - Permite una interacción más natural, similar a la comunicación humana.
Resultados
| Puntaje | Nivel |
|---|---|
| 27-30 | Excelente - Sólido entendimiento de IA multimodal |
| 21-26 | Bueno - Puede ser útil repasar algunos temas |
| 15-20 | Promedio - Revise los capítulos nuevamente |
| Menos de 15 | Requiere repaso integral |