Quiz: Preparação de Dados
30 questões sobre formatos de conjuntos de dados, qualidade e dados sintéticos.
Questão 1
Qual formato é melhor para instruções de turno único?
A) ShareGPT
B) Alpaca
C) JSON Lines
D) CSV
Mostrar Resposta
Resposta Correta: B
O formato Alpaca com os campos instruction/input/output é projetado para seguimento de instruções de turno único.
Questão 2
Qual formato suporta conversas de múltiplos turnos?
A) Alpaca
B) ShareGPT
C) Texto simples
D) Markdown
Mostrar Resposta
Resposta Correta: B
O formato ShareGPT com o array de conversas suporta diálogos de múltiplos turnos.
Questão 3
O que é mais importante: qualidade ou quantidade de dados?
A) Quantidade
B) Qualidade
C) São igualmente importantes
D) Nenhum dos dois importa
Mostrar Resposta
Resposta Correta: B
Qualidade acima de quantidade—500 exemplos de alta qualidade geralmente superam 50.000 de baixa qualidade.
Questão 4
Para que serve o tokenizer.apply_chat_template()?
A) Criar novos tokens
B) Formatar mensagens no formato esperado pelo modelo
C) Remover tokens especiais
D) Treinar o tokenizer
Mostrar Resposta
Resposta Correta: B
apply_chat_template formata mensagens de acordo com o formato de conversa esperado pelo modelo.
Questão 5
O que é Self-Instruct?
A) Modelo treinando a si mesmo
B) Uso de LLMs para gerar pares de instrução-resposta
C) Mecanismo de self-attention
D) Um tipo de otimizador
Mostrar Resposta
Resposta Correta: B
Self-Instruct é uma técnica onde LLMs geram novos pares de treinamento de instrução-resposta.
(As questões 6-30 abordam: importância da deduplicação, dimensões de qualidade, tamanhos recomendados de conjuntos de dados, Evol-Instruct, estratégias de validação, mistura de dados reais e sintéticos, consistência de formato, geração específica de domínio, prevenção de contaminação e implementação prática)
Resultados
| Pontuação | Nível |
|---|---|
| 27-30 | Excelente |
| 21-26 | Bom |
| 15-20 | Médio |
| Abaixo de 15 | Revisão necessária |