Quiz: ¿Qué son los LLM?
Ponga a prueba su conocimiento sobre los Large Language Models y sus fundamentos.
30 preguntas - Haga clic en cada pregunta para revelar la respuesta correcta.
Pregunta 1
¿Qué significa LLM?
A) Large Learning Machine
B) Large Language Model
C) Linguistic Logic Module
D) Language Learning Mechanism
Mostrar respuesta
Respuesta correcta: B
LLM significa Large Language Model. Estos son modelos de IA entrenados con grandes cantidades de datos de texto que pueden comprender y generar lenguaje similar al humano.
Pregunta 2
¿Cuál es la tarea fundamental que realizan los modelos de lenguaje?
A) Memorizar libros completos
B) Predecir la siguiente palabra/token
C) Almacenar hechos en una base de datos
D) Traducir entre idiomas
Mostrar respuesta
Respuesta correcta: B
Los modelos de lenguaje fundamentalmente predicen qué texto viene a continuación. Todo lo que hacen—desde responder preguntas hasta escribir código—se basa en predecir la siguiente palabra o token.
Pregunta 3
¿Qué significa GPT?
A) General Purpose Technology
B) Generative Pre-trained Transformer
C) Giant Pattern Translator
D) Guided Processing Text
Mostrar respuesta
Respuesta correcta: B
GPT significa Generative Pre-trained Transformer. Generative significa que crea texto, pre-trained significa que aprende de datos antes de su uso, y Transformer es el tipo de arquitectura.
Pregunta 4
¿Por qué es importante el "large" en Large Language Models?
A) Suena más impresionante
B) Los modelos grandes solo pueden ejecutarse en computadoras grandes
C) La escala permite habilidades emergentes como el razonamiento
D) Large significa respuestas más largas
Mostrar respuesta
Respuesta correcta: C
La escala de los LLM (miles de millones de parámetros y enormes cantidades de datos de entrenamiento) permite habilidades emergentes—capacidades como el razonamiento y la programación que no fueron programadas explícitamente pero aparecen a gran escala.
Pregunta 5
¿Qué son los "parámetros" en un LLM?
A) Las preguntas que puede hacer
B) Los valores ajustables aprendidos durante el entrenamiento
C) Los comandos para controlar el modelo
D) Los idiomas que conoce el modelo
Mostrar respuesta
Respuesta correcta: B
Los parámetros son los valores ajustables (pesos) en el modelo que se ajustan durante el entrenamiento. Más parámetros generalmente significa mayor capacidad para aprender patrones.
Pregunta 6
¿Cuántos parámetros tenía GPT-3?
A) 1.5 millones
B) 1.5 mil millones
C) 175 mil millones
D) 1.75 billones
Mostrar respuesta
Respuesta correcta: C
GPT-3 tenía 175 mil millones de parámetros, lo que supuso un gran salto respecto a los 1.5 mil millones de GPT-2. Esta escala permitió nuevas capacidades como el few-shot learning.
Pregunta 7
¿Qué hizo diferente a ChatGPT de GPT-3?
A) Era mucho más grande
B) Fue entrenado para conversar usando RLHF
C) Podía generar imágenes
D) Era open source
Mostrar respuesta
Respuesta correcta: B
ChatGPT utilizó Reinforcement Learning from Human Feedback (RLHF) para afinar el modelo para conversaciones naturales, haciéndolo mucho más fácil de usar que el GPT-3 base.
Pregunta 8
¿Qué tan rápido llegó ChatGPT a 100 millones de usuarios?
A) 2 semanas
B) 2 meses
C) 6 meses
D) 1 año
Mostrar respuesta
Respuesta correcta: B
ChatGPT alcanzó 100 millones de usuarios en solo 2 meses, convirtiéndose en la aplicación de consumo de más rápido crecimiento en la historia.
Pregunta 9
¿Qué empresa creó GPT y ChatGPT?
A) Google
B) Microsoft
C) OpenAI
D) Meta
Mostrar respuesta
Respuesta correcta: C
OpenAI creó GPT y ChatGPT. Microsoft es un inversionista importante pero no creó los modelos.
Pregunta 10
¿Qué empresa desarrolló Claude?
A) OpenAI
B) Google
C) Anthropic
D) Microsoft
Mostrar respuesta
Respuesta correcta: C
Anthropic, fundada por ex-investigadores de OpenAI, desarrolló Claude con un enfoque en la seguridad y alineación de la IA.
Pregunta 11
¿Por qué se destaca Claude en comparación con otros LLM?
A) Por ser el más rápido
B) Por tener la ventana de contexto más larga
C) Por ser el más barato
D) Solo funciona en inglés
Mostrar respuesta
Respuesta correcta: B
Claude es conocido por su ventana de contexto muy larga (hasta 200K tokens), lo que le permite procesar libros completos o grandes bases de código en un solo prompt.
Pregunta 12
¿Qué significa "habilidades emergentes" para los LLM?
A) Habilidades que deben comprarse por separado
B) Capacidades que aparecen a escala sin entrenamiento explícito
C) Funciones de respaldo de emergencia
D) Habilidades que solo funcionan al salir del modo de suspensión
Mostrar respuesta
Respuesta correcta: B
Las habilidades emergentes son capacidades que no fueron programadas explícitamente pero "emergen" cuando los modelos alcanzan suficiente escala—como el razonamiento, la programación y la traducción.
Pregunta 13
¿Cómo se llama el principal LLM de Google?
A) Bard
B) Gemini
C) Lambda
D) Pixel AI
Mostrar respuesta
Respuesta correcta: B
El principal LLM de Google es Gemini. Bard fue el nombre anterior del producto para consumidores, que luego fue renombrado a Gemini.
Pregunta 14
¿Qué empresa lanzó Llama como open source?
A) OpenAI
B) Google
C) Meta
D) Microsoft
Mostrar respuesta
Respuesta correcta: C
Meta lanzó Llama como open source (con algunas condiciones), permitiendo a investigadores y empresas usar y modificar los modelos libremente.
Pregunta 15
¿Cuál es una gran ventaja de los LLM open source como Llama?
A) Siempre son más potentes
B) Puede ejecutarlos localmente para mayor privacidad
C) Nunca cometen errores
D) No requieren ningún poder de cómputo
Mostrar respuesta
Respuesta correcta: B
Los LLM open source pueden ejecutarse localmente en su propio hardware, lo que significa que sus datos nunca salen de su máquina—importante para aplicaciones sensibles a la privacidad.
Pregunta 16
¿En qué año se introdujo la arquitectura Transformer?
A) 2015
B) 2017
C) 2019
D) 2022
Mostrar respuesta
Respuesta correcta: B
La arquitectura Transformer se introdujo en 2017 en el artículo "Attention Is All You Need". Se convirtió en la base de todos los LLM modernos.
Pregunta 17
¿Por qué OpenAI dudó inicialmente en lanzar GPT-2?
A) Era demasiado lento
B) Preocupaciones sobre el mal uso para noticias falsas
C) No funcionaba bien
D) Problemas legales
Mostrar respuesta
Respuesta correcta: B
OpenAI estaba preocupada de que la capacidad de GPT-2 para generar texto falso convincente pudiera ser mal utilizada para desinformación y noticias falsas.
Pregunta 18
¿Qué es el "few-shot learning" en el contexto de GPT-3?
A) Aprender de unos pocos errores
B) Realizar tareas con solo unos pocos ejemplos en el prompt
C) Entrenar con datos limitados
D) Tomar pocos intentos para generar una respuesta
Mostrar respuesta
Respuesta correcta: B
Few-shot learning significa que el modelo puede comprender una tarea a partir de solo unos pocos ejemplos proporcionados en el prompt, sin entrenamiento adicional.
Pregunta 19
¿Qué nueva capacidad añadió GPT-4 en comparación con GPT-3?
A) Generación de voz
B) Visión (comprensión de imágenes)
C) Robótica física
D) Detección de olores
Mostrar respuesta
Respuesta correcta: B
GPT-4 añadió capacidades multimodales, específicamente la capacidad de comprender y razonar sobre imágenes junto con texto.
Pregunta 20
¿Cómo se llama el asistente de codificación con IA de Microsoft?
A) Microsoft Coder
B) Azure AI
C) GitHub Copilot
D) Visual Studio Bot
Mostrar respuesta
Respuesta correcta: C
GitHub Copilot es el asistente de codificación con IA de Microsoft, impulsado por modelos de OpenAI, integrado en los editores de código.
Pregunta 21
¿Cómo "saben" los LLM hechos como "La capital de Francia es París"?
A) Tienen una base de datos de hechos
B) Han aprendido patrones que asocian esas palabras
C) Acceden a internet en tiempo real
D) Los programadores ingresan los hechos manualmente
Mostrar respuesta
Respuesta correcta: B
Los LLM no almacenan hechos en una base de datos. Han aprendido patrones de los datos de entrenamiento que asocian fuertemente "capital de Francia" con "París".
Pregunta 22
¿Qué es una "ventana de contexto" en los LLM?
A) La interfaz gráfica de usuario
B) La cantidad máxima de texto que el modelo puede procesar de una vez
C) Una ventana que muestra el pensamiento del modelo
D) El límite de tiempo para las respuestas
Mostrar respuesta
Respuesta correcta: B
La ventana de contexto es la cantidad máxima de texto (tokens) que el modelo puede "ver" y considerar al generar una respuesta.
Pregunta 23
¿Por qué es conocida Anthropic, la creadora de Claude?
A) Velocidad y eficiencia
B) Seguridad y alineación de la IA
C) Aplicaciones de juegos
D) Integración con redes sociales
Mostrar respuesta
Respuesta correcta: B
Anthropic fue fundada con un enfoque en la seguridad y alineación de la IA—asegurando que los sistemas de IA se comporten de acuerdo con los valores humanos.
Pregunta 24
¿Cuál es la relación entre Microsoft y OpenAI?
A) Son competidores
B) Microsoft es un inversionista importante en OpenAI
C) OpenAI es dueña de Microsoft
D) No hay relación
Mostrar respuesta
Respuesta correcta: B
Microsoft es un inversionista importante en OpenAI y tiene derechos exclusivos de asociación en la nube, integrando la tecnología de OpenAI en productos de Microsoft.
Pregunta 25
¿Qué LLM sería mejor para analizar un documento legal de 500 páginas?
A) GPT-3.5 (ventana de contexto corta)
B) Claude (ventana de contexto muy larga)
C) Cualquier modelo—todos son iguales
D) Llama (tamaño más pequeño)
Mostrar respuesta
Respuesta correcta: B
La ventana de contexto muy larga de Claude (hasta 200K tokens) lo hace ideal para analizar documentos muy extensos que no cabrían en las ventanas de contexto de otros modelos.
Pregunta 26
¿Qué es "RLHF", que se usó para entrenar ChatGPT?
A) Really Large Human Files
B) Reinforcement Learning from Human Feedback
C) Rapid Language Human Formatting
D) Real-time Learning for Higher Functions
Mostrar respuesta
Respuesta correcta: B
RLHF (Reinforcement Learning from Human Feedback) es una técnica de entrenamiento donde los humanos califican las respuestas del modelo, y el modelo aprende a producir respuestas mejor valoradas.
Pregunta 27
¿Qué significa "multimodal" para un LLM como GPT-4?
A) Puede ejecutarse en varias computadoras
B) Puede procesar diferentes tipos de datos (texto, imágenes, etc.)
C) Tiene múltiples personalidades
D) Habla varios idiomas
Mostrar respuesta
Respuesta correcta: B
Multimodal significa que el modelo puede comprender y trabajar con múltiples tipos de datos—como texto, imágenes y potencialmente audio y video.
Pregunta 28
¿Cuál de las siguientes afirmaciones sobre los datos de entrenamiento de los LLM es VERDADERA?
A) Los LLM se entrenan solo con Wikipedia
B) Los datos de entrenamiento incluyen páginas web, libros, código y más
C) Los datos de entrenamiento son secretos y nunca se discuten
D) Los LLM no necesitan datos de entrenamiento
Mostrar respuesta
Respuesta correcta: B
Los LLM modernos se entrenan con conjuntos de datos diversos que incluyen páginas web, libros, artículos científicos, repositorios de código y más.
Pregunta 29
¿Cuál es una ventaja de los LLM de código cerrado (como GPT-4) sobre los open source?
A) Siempre son gratuitos
B) Experiencia de usuario más pulida y actualizaciones regulares
C) Puede modificar el código del modelo
D) Mejor privacidad
Mostrar respuesta
Respuesta correcta: B
Los LLM de código cerrado suelen ofrecer experiencias de usuario más pulidas, actualizaciones regulares y soporte al cliente—aunque se pierde control y personalización.
Pregunta 30
Según lo que ha aprendido, ¿por qué los LLM a veces pueden dar información incorrecta?
A) Están programados para mentir ocasionalmente
B) Predicen texto probable basado en patrones, no en hechos verificados
C) Internet no tiene información correcta
D) Solo funcionan sin conexión
Mostrar respuesta
Respuesta correcta: B
Los LLM predicen qué texto es probable según los patrones que han aprendido. Si existe un patrón incorrecto, o si el modelo genera información plausible pero errónea, ocurren errores.
Resultados
| Puntaje | Nivel |
|---|---|
| 27-30 | Excelente - Sólido entendimiento de los fundamentos de los LLM |
| 21-26 | Bueno - Puede ser útil repasar algunos temas |
| 15-20 | Promedio - Revise los capítulos nuevamente |
| Menos de 15 | Requiere revisión exhaustiva |