Quiz : Comment fonctionnent les LLM
Testez votre compréhension de la façon dont les grands modèles de langage apprennent et génèrent du texte.
30 questions - Cliquez sur chaque question pour révéler la réponse correcte.
Question 1
Quel est le principal mécanisme utilisé par les LLM pour générer du texte ?
A) Rechercher des réponses dans une base de données
B) Prédire le mot/token suivant
C) Copier à partir des données d'entraînement
D) Utiliser la recherche sur Internet
Afficher la réponse
Réponse correcte : B
Les LLM génèrent du texte en prédisant quel mot ou token doit venir ensuite, un à la fois, en se basant sur tout ce qui précède.
Question 2
Qu'est-ce qu'un "token" dans le contexte des LLM ?
A) Un type de cryptomonnaie
B) Un morceau de texte (généralement un mot ou une partie de mot)
C) Un identifiant de connexion
D) Un composant matériel
Afficher la réponse
Réponse correcte : B
Les tokens sont les unités de base que les LLM traitent—généralement des parties de mots. Par exemple, "understanding" pourrait être divisé en "under-stand-ing" (3 tokens).
Question 3
Qu'est-ce que la fenêtre de contexte ?
A) Un affichage graphique de l'IA
B) Le texte maximum que le modèle peut voir à la fois
C) Un réglage de la luminosité de l'écran
D) La mémoire à long terme du modèle
Afficher la réponse
Réponse correcte : B
La fenêtre de contexte est la quantité maximale de texte que le modèle peut "voir" et considérer lors de la génération d'une réponse—comme sa limite de mémoire à court terme.
Question 4
Que se passe-t-il lorsqu'une conversation dépasse la fenêtre de contexte ?
A) Le modèle plante
B) Les messages les plus anciens peuvent être perdus ou résumés
C) Le modèle se met automatiquement à jour
D) Rien—le contexte est illimité
Afficher la réponse
Réponse correcte : B
Lorsque le contexte est dépassé, les messages les plus anciens sont généralement tronqués ou résumés, ce qui peut amener le modèle à "oublier" le début de la conversation.
Question 5
Que contrôle la "température" dans la génération LLM ?
A) La vitesse de génération
B) Le caractère aléatoire/créatif des sorties
C) La consommation d'énergie du modèle
D) La couleur de l'interface
Afficher la réponse
Réponse correcte : B
La température contrôle à quel point la sortie est aléatoire ou déterministe. Basse température = prévisible, haute température = plus créatif mais risqué.
Question 6
Pourquoi l'entraînement nécessite-t-il autant de données textuelles ?
A) Pour remplir l'espace de stockage
B) Pour apprendre des motifs sur divers sujets
C) Pour créer des copies de sauvegarde
D) Exigences légales
Afficher la réponse
Réponse correcte : B
L'entraînement nécessite des milliards d'échantillons de texte pour que le modèle puisse apprendre des motifs à travers de nombreux sujets, styles d'écriture et contextes.
Question 7
Qu'est-ce qu'un prompt système ?
A) Un message d'erreur
B) Des instructions cachées façonnant le comportement de l'IA
C) Le code source du modèle
D) Le premier message d'un utilisateur
Afficher la réponse
Réponse correcte : B
Un prompt système est des instructions cachées (définies par les développeurs) qui guident comment l'IA doit se comporter tout au long de la conversation.
Question 8
Comment les LLM "se souviennent-ils" des parties précédentes d'une conversation ?
A) Stockage permanent dans une base de données
B) Toute la conversation est renvoyée à chaque fois
C) Magie
D) Sauvegarde infonuagique
Afficher la réponse
Réponse correcte : B
Les LLM n'ont pas de mémoire persistante. L'historique complet de la conversation est inclus dans chaque message, jusqu'à la limite de contexte.
Question 9
Que signifie la génération "autoregressive" ?
A) Fonctions automatiques de voiture
B) Chaque token généré devient une entrée pour le suivant
C) Température auto-régulée
D) Régression en statistiques
Afficher la réponse
Réponse correcte : B
Autoregressive signifie que la sortie du modèle est réutilisée comme entrée pour générer le token suivant—chaque mot influence ce qui vient après.
Question 10
Quelle est la principale source de données d'entraînement des LLM ?
A) Seulement Wikipédia
B) Internet, livres et diverses sources textuelles
C) Exemples écrits manuellement
D) Uniquement des journaux
Afficher la réponse
Réponse correcte : B
Les LLM sont entraînés sur des sources diverses incluant des pages web, des livres, des articles scientifiques, des dépôts de code, et plus.
Question 11
Que signifie "capacités émergentes" pour les LLM ?
A) Capacités qui coûtent plus cher
B) Capacités qui apparaissent à grande échelle sans programmation explicite
C) Fonctions d'urgence
D) Capacités de départ
Afficher la réponse
Réponse correcte : B
Les capacités émergentes sont des capacités (comme le raisonnement ou la traduction) qui apparaissent lorsque les modèles atteignent une échelle suffisante, même si elles n'ont pas été programmées explicitement.
Question 12
Pourquoi un LLM pourrait-il donner des informations obsolètes ?
A) Il retient intentionnellement
B) Les données d'entraînement ont une date limite
C) Internet ne fonctionne pas
D) Il vous teste
Afficher la réponse
Réponse correcte : B
Les LLM ne connaissent que ce qui était dans leurs données d'entraînement. Les informations qui ont changé après la date limite de connaissance ne seront pas reflétées.
Question 13
Qu'est-ce que le "fine-tuning" ?
A) Réduire la taille du modèle
B) Ajuster un modèle pré-entraîné pour des tâches spécifiques
C) Supprimer les bugs
D) Augmenter la vitesse
Afficher la réponse
Réponse correcte : B
Le fine-tuning consiste à prendre un modèle pré-entraîné et à le former davantage sur des données spécifiques pour le spécialiser pour des tâches particulières (comme la conversation ou le code).
Question 14
Que signifie RLHF ?
A) Really Large Human Files
B) Reinforcement Learning from Human Feedback
C) Rapid Learning High Frequency
D) Regular Language Human Format
Afficher la réponse
Réponse correcte : B
RLHF (Reinforcement Learning from Human Feedback) est une technique d'entraînement où les humains évaluent les sorties, et le modèle apprend à produire des réponses mieux notées.
Question 15
Combien de tokens contient une page typique de texte ?
A) Environ 10
B) Environ 100
C) Environ 500-750
D) Environ 10 000
Afficher la réponse
Réponse correcte : C
Une page typique de texte contient environ 500-750 tokens, selon le contenu et la méthode de tokenisation.
Question 16
Pourquoi un LLM ne "connaît-il" pas les faits comme une base de données ?
A) Les bases de données sont illégales pour l'IA
B) Il apprend des motifs, pas des faits stockés
C) Il supprime tous les faits
D) Les faits sont trop chers
Afficher la réponse
Réponse correcte : B
Les LLM apprennent des motifs statistiques à partir de texte, pas des faits vérifiés. Ils encodent des associations, pas une base de données de faits.
Question 17
Qu'est-ce qu'une "hallucination" dans le contexte des LLM ?
A) Un bug d'affichage visuel
B) Générer des informations plausibles mais fausses
C) Un état de rêve
D) Une panne matérielle
Afficher la réponse
Réponse correcte : B
L'hallucination est lorsque un LLM génère des informations qui semblent convaincantes mais qui sont en réalité fausses ou inventées.
Question 18
Que se passe-t-il à des réglages de basse température ?
A) Le modèle fonctionne plus lentement
B) Les sorties sont plus prévisibles et cohérentes
C) Le modèle consomme moins d'énergie
D) Les réponses sont plus courtes
Afficher la réponse
Réponse correcte : B
Une basse température rend le modèle plus déterministe—il a tendance à choisir les mots de plus haute probabilité de manière cohérente, rendant les sorties plus prévisibles.
Question 19
Comment le modèle choisit-il entre plusieurs mots suivants probables ?
A) Sélection aléatoire
B) Échantillonnage aléatoire pondéré basé sur les probabilités
C) Choisit toujours le premier
D) Votes des utilisateurs
Afficher la réponse
Réponse correcte : B
Le modèle échantillonne parmi les mots suivants possibles, pondérés par leurs probabilités. Les mots de plus haute probabilité sont plus susceptibles d'être choisis, mais le caractère aléatoire permet la variété.
Question 20
Qu'est-ce qui rend Claude particulièrement bon pour les longs documents ?
A) Vitesse de traitement plus rapide
B) Très grande fenêtre de contexte (200K tokens)
C) Meilleur marketing
D) Technologie plus ancienne
Afficher la réponse
Réponse correcte : B
Claude a une fenêtre de contexte allant jusqu'à 200K tokens, lui permettant de traiter des livres entiers ou de grands ensembles de code à la fois.
Question 21
Pourquoi les LLM ont-ils besoin d'une puissance de calcul massive pour l'entraînement ?
A) Pour des raisons de refroidissement
B) Pour traiter des milliards d'exemples et ajuster des milliards de paramètres
C) Exigences légales
D) Il n'a en fait pas besoin de beaucoup de puissance
Afficher la réponse
Réponse correcte : B
L'entraînement implique de traiter des milliards d'échantillons de texte et d'ajuster des milliards (ou des trillions) de paramètres, nécessitant d'énormes ressources informatiques.
Question 22
Qu'est-ce que le "pré-entraînement" ?
A) Pratique avant le vrai test
B) Entraînement initial sur des données textuelles générales massives
C) Installation de logiciels
D) Intégration des utilisateurs
Afficher la réponse
Réponse correcte : B
Le pré-entraînement est la phase initiale où le modèle apprend à partir de données textuelles générales massives avant tout fine-tuning spécifique à une tâche.
Question 23
Pourquoi le même prompt peut-il donner des réponses différentes ?
A) Le modèle est confus
B) L'échantillonnage aléatoire dans la génération crée de la variation
C) Problèmes de connexion Internet
D) Différents utilisateurs obtiennent différents modèles
Afficher la réponse
Réponse correcte : B
Le processus d'échantillonnage aléatoire (influencé par la température) signifie que le même prompt peut produire des sorties différentes à chaque exécution.
Question 24
Quelle est la relation entre l'entraînement et la prédiction ?
A) Ils ne sont pas liés
B) L'entraînement apprend au modèle à mieux prédire
C) La prédiction apprend à l'entraînement
D) Ce sont la même chose
Afficher la réponse
Réponse correcte : B
L'entraînement est le processus d'apprentissage du modèle pour faire de meilleures prédictions de mots suivants en ajustant les paramètres basés sur des milliards d'exemples.
Question 25
Pourquoi les instructions sont-elles parfois "oubliées" dans les longues conversations ?
A) L'IA est difficile
B) Les anciennes instructions sont poussées hors du contexte
C) Limites de temps
D) Corruption de la mémoire
Afficher la réponse
Réponse correcte : B
À mesure que la conversation s'allonge, les anciens messages (y compris les instructions) peuvent tomber en dehors de la fenêtre de contexte et être effectivement "oubliés".
Question 26
Qu'est-ce que l'hypothèse de compression à propos des LLM ?
A) Les modèles devraient être plus petits
B) Une bonne prédiction nécessite une compréhension implicite
C) Les données devraient être compressées
D) Les fichiers plus petits sont meilleurs
Afficher la réponse
Réponse correcte : B
L'hypothèse de compression suggère que pour bien prédire le texte, un modèle doit implicitement apprendre la grammaire, les faits, la logique et la connaissance du monde—la compression force la compréhension.
Question 27
Que permet une fenêtre de contexte plus grande ?
A) Réponses plus rapides
B) Traitement de plus de texte à la fois
C) Coûts plus bas
D) Meilleurs graphismes
Afficher la réponse
Réponse correcte : B
Une fenêtre de contexte plus grande permet au modèle de "voir" plus de texte à la fois—permettant l'analyse de documents plus longs et une mémoire de conversation plus longue.
Question 28
Pourquoi des biais apparaissent-ils dans les sorties des LLM ?
A) Programmation intentionnelle
B) Les biais dans les données d'entraînement sont appris
C) Limitations matérielles
D) Préférences des utilisateurs
Afficher la réponse
Réponse correcte : B
Si les données d'entraînement contiennent des biais (historiques, culturels, etc.), le modèle apprend ces motifs et peut les reproduire dans les sorties.
Question 29
Quel est le rôle de "l'attention" dans les LLM ?
A) Faire en sorte que l'IA prête attention aux utilisateurs
B) Peser l'importance des différentes parties de l'entrée
C) Garder les utilisateurs concentrés
D) Surveillance matérielle
Afficher la réponse
Réponse correcte : B
Les mécanismes d'attention aident le modèle à peser quelles parties de l'entrée sont les plus pertinentes pour prédire le mot suivant.
Question 30
Comment décririez-vous ce que les LLM "comprennent" ?
A) Ils comprennent comme les humains
B) Ils reconnaissent des motifs sans véritable compréhension
C) Ils comprennent tout parfaitement
D) Ils ne comprennent rien du tout
Afficher la réponse
Réponse correcte : B
Les LLM reconnaissent et reproduisent des motifs à partir des données d'entraînement. Que cela constitue une "compréhension" est débattu, mais c'est clairement différent de la compréhension humaine.
Résultats
| Score | Niveau |
|---|---|
| 27-30 | Excellent - Forte compréhension du fonctionnement des LLM |
| 21-26 | Bon - Une révision peut être utile |
| 15-20 | Moyen - Revoyez les chapitres à nouveau |
| Moins de 15 | Nécessite une révision complète |