Quiz: IA Multimodal
Teste seu conhecimento sobre sistemas de IA multimodal.
30 perguntas - Clique em cada pergunta para revelar a resposta correta.
Pergunta 1
O que é IA multimodal?
A) IA que roda em vários computadores
B) IA que processa múltiplos tipos de conteúdo (texto, imagem, áudio)
C) IA com múltiplas versões
D) IA que fala vários idiomas
Mostrar resposta
Resposta correta: B
IA multimodal pode processar e gerar múltiplos tipos de conteúdo—texto, imagens, áudio, vídeo—frequentemente em combinação.
Pergunta 2
O que significa GPT-4V?
A) GPT-4 Virtual
B) GPT-4 Vision
C) GPT-4 Version
D) GPT-4 Voice
Mostrar resposta
Resposta correta: B
GPT-4V refere-se ao GPT-4 com capacidades de visão—a habilidade de analisar e compreender imagens.
Pergunta 3
Qual modelo possui a maior janela de contexto para imagens?
A) GPT-4
B) Claude 3
C) Gemini 1.5
D) LLaVA
Mostrar resposta
Resposta correta: C
O Gemini 1.5 possui uma janela de contexto de mais de 1 milhão de tokens, permitindo o processamento de conteúdos visuais mais longos.
Pergunta 4
Para que serve o CLIP?
A) Processamento de áudio
B) Conectar texto e imagens
C) Edição de vídeo
D) Geração de código
Mostrar resposta
Resposta correta: B
CLIP (Contrastive Language-Image Pre-training) conecta texto e imagens, formando a base para muitos sistemas multimodais.
Pergunta 5
O que é Vision Transformer (ViT)?
A) Uma câmera
B) Aplicação da arquitetura transformer em imagens
C) Um codec de vídeo
D) Um formato de imagem
Mostrar resposta
Resposta correta: B
Vision Transformer aplica a arquitetura transformer em imagens, dividindo-as em patches processados como tokens de texto.
Perguntas 6-30
Pergunta 6: O que modelos de linguagem-visual podem fazer?
A) Apenas gerar imagens B) Analisar, descrever e raciocinar sobre imagens C) Apenas texto D) Apenas áudio
Resposta: B - Eles podem analisar, descrever e responder perguntas sobre imagens.
Pergunta 7: Qual é uma boa prática para prompts de imagem?
A) Perguntas vagas B) Perguntas claras, específicas e com contexto C) Sem necessidade de texto D) Apenas palavras isoladas
Resposta: B - Perguntas claras, específicas e com contexto produzem melhores resultados.
Pergunta 8: O que os modelos de visão atuais não conseguem fazer de forma confiável?
A) Descrever imagens B) Identificar indivíduos específicos por rosto C) Ler textos grandes D) Analisar gráficos
Resposta: B - Por questões de privacidade/segurança, os modelos não identificam indivíduos por rosto.
Pergunta 9: O que é compreensão cross-modal?
A) Compreender cruzes B) Conectar significado entre tipos de conteúdo C) Cross-training D) Cruzar arquivos
Resposta: B - Conectar e compreender significado entre diferentes modalidades.
Pergunta 10: Qual empresa criou as capacidades de visão do Claude 3?
A) OpenAI B) Anthropic C) Google D) Meta
Resposta: B - A Anthropic criou o Claude 3 com capacidades de visão.
Pergunta 11: O que é um modelo multimodal unificado?
A) Tamanho único para todos B) Modelo único que lida com múltiplas modalidades C) Bancos de dados combinados D) Armazenamento compartilhado
Resposta: B - Um modelo único capaz de processar múltiplos tipos de conteúdo.
Pergunta 12: O que o Whisper faz?
A) Gera imagens B) Converte áudio em texto C) Cria vídeos D) Escreve código
Resposta: B - Whisper é o modelo de transcrição de áudio da OpenAI.
Pergunta 13: O que está chegando em IA multimodal no curto prazo?
A) Apenas texto B) Compreensão de vídeo em tempo real C) Apenas imagens D) Reconhecimento de cheiro
Resposta: B - Análise de vídeo em tempo real e integração áudio-visual.
Pergunta 14: Qual aplicação de acessibilidade a IA de visão possibilita?
A) Deixar telefones mais altos B) Descrever imagens para pessoas com deficiência visual C) Telas maiores D) Conexões mais rápidas
Resposta: B - Descrever imagens automaticamente para acessibilidade.
Pergunta 15: Qual combinação de entrada os modelos de visão conseguem lidar?
A) Apenas texto B) Imagem + perguntas em texto C) Apenas imagens D) Apenas áudio
Resposta: B - Modelos de visão podem receber imagens e perguntas em texto juntas.
Pergunta 16: O que é treinamento multimodal nativo?
A) Treinamento ao ar livre B) Treinar em múltiplas modalidades desde o início C) Treinamento natural D) Idioma nativo
Resposta: B - Treinar o modelo em múltiplos tipos de conteúdo simultaneamente.
Pergunta 17: O que melhora os resultados de IA de visão?
A) Imagens borradas B) Imagens claras com prompts específicos C) Sem prompts D) Imagens muito pequenas
Resposta: B - Imagens claras e de qualidade com prompts específicos funcionam melhor.
Pergunta 18: Qual desafio a IA multimodal enfrenta?
A) Muito fácil B) Requisitos computacionais aumentados C) Sem aplicações D) Só funciona offline
Resposta: B - Multimodal exige muito mais recursos computacionais.
Pergunta 19: O que é IA incorporada (embodied AI)?
A) IA com um corpo B) IA que interage com o mundo físico C) Chips embarcados D) IA de escaneamento corporal
Resposta: B - IA capaz de raciocinar e interagir com o mundo físico.
Pergunta 20: Qual preocupação social acompanha a IA multimodal?
A) Muito rápida B) Deepfakes mais convincentes C) Muito precisa D) Muito útil
Resposta: B - Multimodal torna o conteúdo sintético mais convincente.
Pergunta 21: O que é LLaVA?
A) Um vulcão B) Um modelo open-source de linguagem-visual C) Uma empresa D) Um formato de vídeo
Resposta: B - LLaVA é um modelo open-source de linguagem-visual.
Pergunta 22: Com o que a IA de visão pode ajudar em documentos?
A) Apenas impressão B) Compreensão de PDFs com texto e imagens C) Apenas armazenamento D) Apenas exclusão
Resposta: B - Análise de documentos combinando texto, imagens e gráficos.
Pergunta 23: O que envolve a tokenização de imagens?
A) Adicionar dinheiro B) Dividir imagens em patches para processamento C) Criptografar D) Comprimir
Resposta: B - Converter imagens em patches que podem ser processados como tokens.
Pergunta 24: Qual caso de uso corporativo se beneficia do multimodal?
A) Apenas e-mail B) Análise de reuniões (vídeo + áudio + documentos) C) Apenas digitação D) Apenas arquivamento
Resposta: B - Análise de reuniões envolvendo vídeo, áudio e documentos.
Pergunta 25: O que você deve desenvolver para o futuro multimodal?
A) Apenas habilidades de texto B) Habilidades de prompting multimodal e pensamento integrado C) Apenas habilidades de imagem D) Apenas áudio
Resposta: B - Habilidades em combinar e criar prompts entre modalidades.
Pergunta 26: O que o Claude 3 faz bem com imagens?
A) Apenas gerar B) Análise detalhada de gráficos e diagramas C) Apenas excluir D) Apenas comprimir
Resposta: B - Claude 3 se destaca na análise detalhada de visuais complexos.
Pergunta 27: Qual é uma limitação para imagens de multidão?
A) Muito coloridas B) Contagem precisa é difícil C) Muito claras D) Muito escuras
Resposta: B - Os modelos atuais têm dificuldade em contar objetos com precisão em multidões.
Pergunta 28: O que envolve a compreensão 3D?
A) Apenas filmes 3D B) Raciocínio espacial e compreensão de modelos 3D C) Impressão 3D D) Óculos 3D
Resposta: B - Compreender e raciocinar sobre espaço e modelos 3D.
Pergunta 29: Qual aplicação em saúde está surgindo?
A) Apenas faturamento B) Análise multimodal de dados de pacientes C) Apenas agendamento D) Apenas prontuários
Resposta: B - Análise de dados de pacientes em múltiplas modalidades.
Pergunta 30: Qual o principal benefício da IA multimodal?
A) Usa menos energia B) Interação mais natural e semelhante à humana C) Apenas mais rápida D) Apenas mais barata
Resposta: B - Permite uma interação mais natural, semelhante à comunicação humana.
Resultados
| Pontuação | Nível |
|---|---|
| 27-30 | Excelente - Forte entendimento de IA multimodal |
| 21-26 | Bom - Uma revisão pode ser útil |
| 15-20 | Médio - Revise os capítulos novamente |
| Abaixo de 15 | Precisa de revisão completa |