Quiz: Cómo funcionan los LLM
Ponga a prueba su comprensión sobre cómo los Modelos de Lenguaje de Gran Tamaño aprenden y generan texto.
30 preguntas - Haga clic en cada pregunta para revelar la respuesta correcta.
Pregunta 1
¿Cuál es el mecanismo principal que utilizan los LLM para generar texto?
A) Buscar respuestas en una base de datos
B) Predecir la siguiente palabra/token
C) Copiar del conjunto de entrenamiento
D) Usar búsqueda en internet
Mostrar respuesta
Respuesta correcta: B
Los LLM generan texto prediciendo qué palabra o token debería venir a continuación, uno a la vez, basándose en todo lo que vino antes.
Pregunta 2
¿Qué es un "token" en el contexto de los LLM?
A) Un tipo de criptomoneda
B) Un fragmento de texto (usualmente una palabra o parte de una palabra)
C) Una credencial de inicio de sesión
D) Un componente de hardware
Mostrar respuesta
Respuesta correcta: B
Los tokens son las unidades básicas que procesan los LLM—usualmente partes de palabras. Por ejemplo, "entendimiento" podría dividirse en "enten-dimien-to" (3 tokens).
Pregunta 3
¿Qué es la ventana de contexto?
A) Una visualización gráfica de la IA
B) El máximo de texto que el modelo puede ver a la vez
C) Una configuración de brillo de pantalla
D) La memoria a largo plazo del modelo
Mostrar respuesta
Respuesta correcta: B
La ventana de contexto es la cantidad máxima de texto que el modelo puede "ver" y considerar al generar una respuesta—como su límite de memoria a corto plazo.
Pregunta 4
¿Qué sucede cuando una conversación excede la ventana de contexto?
A) El modelo se bloquea
B) Los mensajes más antiguos pueden perderse o resumirse
C) El modelo se actualiza automáticamente
D) Nada—el contexto es ilimitado
Mostrar respuesta
Respuesta correcta: B
Cuando se excede el contexto, los mensajes más antiguos normalmente se truncan o resumen, lo que puede hacer que el modelo "olvide" partes tempranas de la conversación.
Pregunta 5
¿Qué controla la "temperatura" en la generación de los LLM?
A) La velocidad de generación
B) El grado de aleatoriedad/creatividad de las salidas
C) El consumo de energía del modelo
D) El color de la interfaz
Mostrar respuesta
Respuesta correcta: B
La temperatura controla cuán aleatoria o determinista es la salida. Temperatura baja = predecible, temperatura alta = más creativo pero arriesgado.
Pregunta 6
¿Por qué el entrenamiento requiere tanta cantidad de datos de texto?
A) Para llenar el espacio de almacenamiento
B) Para aprender patrones en temas diversos
C) Para crear copias de seguridad
D) Requisitos legales
Mostrar respuesta
Respuesta correcta: B
El entrenamiento requiere miles de millones de muestras de texto para que el modelo pueda aprender patrones en muchos temas, estilos de escritura y contextos.
Pregunta 7
¿Qué es un prompt de sistema?
A) Un mensaje de error
B) Instrucciones ocultas que moldean el comportamiento de la IA
C) El código fuente del modelo
D) El primer mensaje de un usuario
Mostrar respuesta
Respuesta correcta: B
Un prompt de sistema son instrucciones ocultas (definidas por los desarrolladores) que guían cómo debe comportarse la IA durante toda la conversación.
Pregunta 8
¿Cómo "recuerdan" los LLM las partes anteriores de una conversación?
A) Almacenamiento permanente en base de datos
B) Toda la conversación se reenvía cada vez
C) Magia
D) Copia de seguridad en la nube
Mostrar respuesta
Respuesta correcta: B
Los LLM no tienen memoria persistente. Todo el historial de la conversación se incluye en cada mensaje, hasta el límite de contexto.
Pregunta 9
¿Qué significa la generación "autoregresiva"?
A) Funciones automáticas de automóvil
B) Cada token generado se convierte en entrada para el siguiente
C) Temperatura autorregulada
D) Regresión en estadística
Mostrar respuesta
Respuesta correcta: B
Autorregresivo significa que la salida del modelo se retroalimenta como entrada para generar el siguiente token—cada palabra influye en lo que viene después.
Pregunta 10
¿Cuál es la principal fuente de datos de entrenamiento para los LLM?
A) Solo Wikipedia
B) Internet, libros y diversas fuentes de texto
C) Ejemplos escritos manualmente
D) Solo periódicos
Mostrar respuesta
Respuesta correcta: B
Los LLM se entrenan con fuentes diversas, incluyendo páginas web, libros, artículos científicos, repositorios de código y más.
Pregunta 11
¿Qué significa "habilidades emergentes" en los LLM?
A) Habilidades que cuestan extra
B) Capacidades que aparecen a gran escala sin programación explícita
C) Funciones de emergencia
D) Habilidades iniciales
Mostrar respuesta
Respuesta correcta: B
Las habilidades emergentes son capacidades (como razonamiento o traducción) que aparecen cuando los modelos alcanzan suficiente escala, aunque no hayan sido programadas explícitamente.
Pregunta 12
¿Por qué un LLM podría dar información desactualizada?
A) Lo hace intencionalmente
B) Los datos de entrenamiento tienen una fecha de corte
C) Internet no funciona
D) Lo está poniendo a prueba
Mostrar respuesta
Respuesta correcta: B
Los LLM solo conocen lo que estaba en sus datos de entrenamiento. La información que cambió después de la fecha de corte de conocimiento no estará reflejada.
Pregunta 13
¿Qué es el "fine-tuning"?
A) Hacer el modelo más pequeño
B) Ajustar un modelo preentrenado para tareas específicas
C) Eliminar errores
D) Aumentar la velocidad
Mostrar respuesta
Respuesta correcta: B
El fine-tuning consiste en tomar un modelo preentrenado y entrenarlo adicionalmente con datos específicos para especializarlo en tareas particulares (como conversación o código).
Pregunta 14
¿Qué significa RLHF?
A) Really Large Human Files
B) Reinforcement Learning from Human Feedback
C) Rapid Learning High Frequency
D) Regular Language Human Format
Mostrar respuesta
Respuesta correcta: B
RLHF (Reinforcement Learning from Human Feedback) es una técnica de entrenamiento donde humanos califican las salidas, y el modelo aprende a producir respuestas mejor valoradas.
Pregunta 15
¿Cuántos tokens tiene una página típica de texto?
A) Aproximadamente 10
B) Aproximadamente 100
C) Aproximadamente 500-750
D) Aproximadamente 10,000
Mostrar respuesta
Respuesta correcta: C
Una página típica de texto tiene aproximadamente 500-750 tokens, dependiendo del contenido y el método de tokenización.
Pregunta 16
¿Por qué un LLM no "sabe" hechos como una base de datos?
A) Las bases de datos son ilegales para la IA
B) Aprende patrones, no almacena hechos
C) Elimina todos los hechos
D) Los hechos son demasiado costosos
Mostrar respuesta
Respuesta correcta: B
Los LLM aprenden patrones estadísticos del texto, no hechos verificados. Codifican asociaciones, no una base de datos de hechos.
Pregunta 17
¿Qué es una "alucinación" en el contexto de los LLM?
A) Un error visual en pantalla
B) Generar información plausible pero falsa
C) Un estado de sueño
D) Una falla de hardware
Mostrar respuesta
Respuesta correcta: B
Una alucinación ocurre cuando un LLM genera información que suena convincente pero que en realidad es falsa o inventada.
Pregunta 18
¿Qué sucede con configuraciones de temperatura baja?
A) El modelo funciona más lento
B) Las salidas son más predecibles y consistentes
C) El modelo consume menos energía
D) Las respuestas son más cortas
Mostrar respuesta
Respuesta correcta: B
La temperatura baja hace que el modelo sea más determinista—tiende a elegir las palabras de mayor probabilidad de manera consistente, haciendo las salidas más predecibles.
Pregunta 19
¿Cómo elige el modelo entre varias palabras probables siguientes?
A) Selección aleatoria
B) Muestreo aleatorio ponderado según probabilidades
C) Siempre elige la primera
D) Votación de usuarios
Mostrar respuesta
Respuesta correcta: B
El modelo selecciona entre las posibles palabras siguientes, ponderadas por sus probabilidades. Las palabras de mayor probabilidad son más propensas a ser elegidas, pero la aleatoriedad permite variedad.
Pregunta 20
¿Qué hace que Claude sea especialmente bueno para documentos largos?
A) Velocidad de procesamiento más rápida
B) Ventana de contexto muy grande (200K tokens)
C) Mejor marketing
D) Tecnología más antigua
Mostrar respuesta
Respuesta correcta: B
Claude tiene una ventana de contexto de hasta 200K tokens, lo que le permite procesar libros enteros o grandes bases de código de una sola vez.
Pregunta 21
¿Por qué los LLM necesitan una enorme potencia de cómputo para entrenar?
A) Para fines de enfriamiento
B) Para procesar miles de millones de ejemplos y ajustar miles de millones de parámetros
C) Requisitos legales
D) En realidad no necesita mucha potencia
Mostrar respuesta
Respuesta correcta: B
El entrenamiento implica procesar miles de millones de muestras de texto y ajustar miles (o billones) de parámetros, lo que requiere recursos computacionales enormes.
Pregunta 22
¿Qué es el "pre-entrenamiento"?
A) Práctica antes de la prueba real
B) Entrenamiento inicial con grandes cantidades de texto general
C) Instalación de software
D) Incorporación de usuarios
Mostrar respuesta
Respuesta correcta: B
El pre-entrenamiento es la fase inicial donde el modelo aprende a partir de grandes cantidades de texto general antes de cualquier fine-tuning específico de tareas.
Pregunta 23
¿Por qué el mismo prompt puede dar respuestas diferentes?
A) El modelo está confundido
B) El muestreo aleatorio en la generación crea variación
C) Problemas de conexión a internet
D) Diferentes usuarios reciben diferentes modelos
Mostrar respuesta
Respuesta correcta: B
El proceso de muestreo aleatorio (afectado por la temperatura) significa que el mismo prompt puede producir salidas diferentes en distintas ejecuciones.
Pregunta 24
¿Cuál es la relación entre entrenamiento y predicción?
A) No están relacionados
B) El entrenamiento enseña al modelo a predecir mejor
C) La predicción enseña al entrenamiento
D) Son lo mismo
Mostrar respuesta
Respuesta correcta: B
El entrenamiento es el proceso de enseñar al modelo a hacer mejores predicciones de la siguiente palabra ajustando parámetros a partir de miles de millones de ejemplos.
Pregunta 25
¿Por qué a veces se "olvidan" instrucciones en conversaciones largas?
A) La IA está siendo difícil
B) Las instrucciones antiguas quedan fuera del contexto
C) Límites de tiempo
D) Corrupción de memoria
Mostrar respuesta
Respuesta correcta: B
A medida que la conversación crece, los mensajes antiguos (incluyendo instrucciones) pueden quedar fuera de la ventana de contexto y ser efectivamente "olvidados".
Pregunta 26
¿Qué es la "hipótesis de compresión" sobre los LLM?
A) Los modelos deben hacerse más pequeños
B) Una buena predicción requiere entendimiento implícito
C) Los datos deben comprimirse
D) Los archivos más pequeños son mejores
Mostrar respuesta
Respuesta correcta: B
La hipótesis de compresión sugiere que para predecir texto correctamente, un modelo debe aprender implícitamente gramática, hechos, lógica y conocimiento del mundo—la compresión fuerza el entendimiento.
Pregunta 27
¿Qué permite una ventana de contexto más grande?
A) Respuestas más rápidas
B) Procesar más texto a la vez
C) Costos más bajos
D) Mejores gráficos
Mostrar respuesta
Respuesta correcta: B
Una ventana de contexto más grande permite que el modelo "vea" más texto a la vez—habilitando el análisis de documentos más largos y mayor memoria de conversación.
Pregunta 28
¿Por qué aparecen sesgos en las salidas de los LLM?
A) Programación intencional
B) Los sesgos en los datos de entrenamiento se aprenden
C) Limitaciones de hardware
D) Preferencias del usuario
Mostrar respuesta
Respuesta correcta: B
Si los datos de entrenamiento contienen sesgos (históricos, culturales, etc.), el modelo aprende estos patrones y puede reproducirlos en sus salidas.
Pregunta 29
¿Cuál es el papel de la "atención" en los LLM?
A) Hacer que la IA preste atención a los usuarios
B) Ponderar la importancia de diferentes partes de la entrada
C) Mantener a los usuarios concentrados
D) Monitoreo de hardware
Mostrar respuesta
Respuesta correcta: B
Los mecanismos de atención ayudan al modelo a ponderar qué partes de la entrada son más relevantes para predecir la siguiente palabra.
Pregunta 30
¿Cómo describiría lo que los LLM "entienden"?
A) Entienden como los humanos
B) Reconocen patrones sin comprensión real
C) Entienden todo perfectamente
D) No entienden nada en absoluto
Mostrar respuesta
Respuesta correcta: B
Los LLM reconocen y reproducen patrones de los datos de entrenamiento. Si esto constituye "entendimiento" es debatido, pero claramente es diferente a la comprensión humana.
Resultados
| Puntuación | Nivel |
|---|---|
| 27-30 | Excelente - Fuerte comprensión de cómo funcionan los LLM |
| 21-26 | Bueno - Puede ser útil repasar algunos temas |
| 15-20 | Promedio - Revise los capítulos nuevamente |
| Menos de 15 | Requiere revisión integral |