اختبار: الوحدة 1 - مقدمة في النماذج اللغوية الكبيرة

اختبر فهمك لأساسيات النماذج اللغوية الكبيرة. يحتوي هذا الاختبار على 30 سؤالًا تغطي جميع الفصول الثلاثة.

---

الفصل 1: ما هي النماذج اللغوية الكبيرة؟

السؤال 1

ما الذي يميز بشكل أساسي "النموذج اللغوي الكبير" عن النماذج اللغوية السابقة؟

1. لغة البرمجة المستخدمة في تنفيذه
2. عدد المعلمات (بالمليارات) وحجم بيانات التدريب
3. نوع المهام التي يمكنه تنفيذها
4. الشركة التي أنشأته

السؤال 2

ما هي "القدرات الناشئة" في سياق النماذج اللغوية الكبيرة؟

1. القدرات المبرمجة من قبل المطورين
2. القدرات التي توجد في جميع الشبكات العصبية
3. القدرات التي تظهر فقط عندما تصل النماذج إلى حجم معين
4. القدرات التي تظهر بعد الضبط الدقيق

السؤال 3

كيف يقارن العدد التقديري للمعلمات في GPT-4 مع GPT-2؟

1. أكبر بحوالي 10 مرات
2. أكبر بحوالي 100 مرة
3. أكبر بحوالي 1000 مرة
4. بنفس الحجم تقريبًا

السؤال 4

ما هو "التعلم في السياق"؟

1. تدريب النموذج على بيانات جديدة
2. التعلم من الأمثلة المقدمة في الموجّه دون تحديث الأوزان
3. التعلم من الردود السابقة للنموذج
4. التعلم من ملاحظات المستخدم

السؤال 5

ما هو الهدف الأساسي أثناء توليد النصوص في النماذج اللغوية الكبيرة؟

1. تقليل عدد الرموز المولدة
2. زيادة التماسك الدلالي
3. توقع الرمز التالي بالنظر إلى السياق
4. مطابقة بيانات التدريب تمامًا

السؤال 6

أي من هذه ليست عادةً سمة من سمات النماذج اللغوية الكبيرة؟

1. مليارات المعلمات
2. التدريب على تيرابايت من النصوص
3. التعلم في الوقت الحقيقي من تفاعلات المستخدم
4. نوافذ سياق طويلة

السؤال 7

ماذا يقترح "فرضية التوسع"؟

1. النماذج الأصغر دائمًا أكثر كفاءة
2. النماذج الأكبر مع المزيد من البيانات تؤدي إلى تحسينات في القدرات بشكل متوقع
3. يجب تقليص حجم النماذج للنشر
4. التوسع يؤدي دائمًا إلى عوائد متناقصة

السؤال 8

ما هو الترميز في سياق النماذج اللغوية الكبيرة؟

1. تشفير أوزان النموذج
2. تحويل النص إلى تمثيلات رقمية يمكن للنموذج معالجتها
3. إنشاء رموز مصادقة للوصول إلى API
4. تقسيم النموذج إلى أجزاء أصغر

السؤال 9

في التوليد التلقائي، كيف يتم إنتاج الرموز؟

1. يتم توليد جميع الرموز في وقت واحد
2. رمز واحد في كل مرة، كل منها مشروط بالرموز السابقة
3. يتم توليد رموز عشوائية ثم ترتيبها
4. يتم نسخ الرموز من بيانات التدريب

السؤال 10

ما هو التضمين في النماذج اللغوية العصبية؟

1. ملف تكوين النموذج
2. النص المدخل قبل المعالجة
3. تمثيل متجه كثيف لرمز
4. الإخراج النهائي للنموذج

---

الفصل 2: التاريخ - من الشبكات العصبية المتكررة إلى المحولات

السؤال 11

ما كان القيد الرئيسي لنماذج اللغة الإحصائية n-gram؟

1. كانت مكلفة حسابيًا للغاية
2. ندرة البيانات للسياقات الأطول وعدم وجود فهم دلالي
3. تطلبت الكثير من بيانات التدريب
4. كانت تعمل فقط مع النصوص الإنجليزية

السؤال 12

ما المشكلة التي حلتها شبكات LSTM والتي كانت موجودة في الشبكات العصبية المتكررة العادية؟

1. سرعة الاستدلال البطيئة
2. تلاشي التدرجات على طول التسلسلات الطويلة
3. حجم المفردات المحدود
4. عدم القدرة على معالجة النصوص

السؤال 13

ما كان عنوان الورقة التي قدمت بنية المحول؟

1. "التعلم العميق"
2. "BERT: التدريب المسبق للمحولات ثنائية الاتجاه العميقة"
3. "الانتباه هو كل ما تحتاجه"
4. "نماذج اللغة هي متعلمون قليلون اللقطات"

السؤال 14

في أي عام نُشرت ورقة المحول؟

1. 2015
2. 2016
3. 2017
4. 2018

السؤال 15

ما هو القيد الرئيسي الذي حلته المحولات في الشبكات العصبية المتكررة؟

1. استخدام الذاكرة
2. المعالجة التسلسلية التي منعت التوازي
3. المفردات المحدودة
4. الحاجة إلى بيانات موسومة

السؤال 16

ما كان الابتكار في آلية الانتباه التي قدمها Bahdanau وآخرون؟

1. أزالت الحاجة إلى الشبكات العصبية
2. سمحت للنموذج بتعلم الأجزاء ذات الصلة من المدخلات لكل مخرج
3. جعلت النماذج أصغر
4. مكنت التعلم في الوقت الحقيقي

السؤال 17

أي نموذج قدم نموذج التدريب المسبق + الضبط الدقيق للمحولات؟

1. GPT-1
2. BERT
3. GPT-3
4. T5

السؤال 18

كيف يختلف BERT عن GPT من الناحية المعمارية؟

1. BERT أكبر
2. BERT يستخدم التشفير فقط (ثنائي الاتجاه) بينما يستخدم GPT التشفير فقط (أحادي الاتجاه)
3. BERT لا يستخدم الانتباه
4. لا يوجد فرق

السؤال 19

كم عدد المعلمات تقريبًا في GPT-3؟

1. 1.5 مليار
2. 17.5 مليار
3. 175 مليار
4. 1.75 تريليون

السؤال 20

ما كان العرض الرئيسي لقدرات GPT-3؟

1. تصحيح القواعد بشكل مثالي
2. التعلم القليل اللقطات والتعلم الصفري في مهام متنوعة
3. الترجمة في الوقت الحقيقي
4. توليد الصور

---

الفصل 3: مشهد النماذج اللغوية الكبيرة اليوم

السؤال 21

أي شركة طورت Claude؟

1. OpenAI
2. Google
3. Anthropic
4. Meta

السؤال 22

ما هو النهج المميز لـ Anthropic في مواءمة الذكاء الاصطناعي؟

1. التعلم المعزز من ملاحظات البشر
2. الذكاء الاصطناعي الدستوري
3. اختبار الفرق الحمراء
4. هندسة الموجّهات المتسلسلة

السؤال 23

أي شركة أصدرت سلسلة Llama من النماذج ذات الأوزان المفتوحة؟

1. Google
2. Anthropic
3. OpenAI
4. Meta

السؤال 24

ما هي الفائدة الأساسية للنماذج ذات الأوزان المفتوحة مثل Llama؟

1. دائمًا ما تكون أكثر قدرة
2. أسهل في الاستخدام
3. التحكم الكامل، النشر المحلي، والضبط الدقيق المخصص
4. لديها توثيق أفضل

السؤال 25

أي منصة تعمل كمستودع مركزي للنماذج مفتوحة المصدر؟

1. GitHub
2. Hugging Face Hub
3. Kaggle
4. Model Zoo

السؤال 26

ما هو المميز في نموذج Mixtral من Mistral؟

1. إنه أكبر نموذج على الإطلاق
2. يستخدم بنية مزيج الخبراء (MoE)
3. إنه متعدد الوسائط
4. تم تدريبه فقط على الكود

السؤال 27

ما هو طول نافذة السياق التي يدعمها Claude 3؟

1. 4,000 رمز
2. 32,000 رمز
3. 100,000 رمز
4. 200,000 رمز

السؤال 28

أي من هذه ليست اعتبارًا رئيسيًا عند الاختيار بين النماذج المفتوحة والمغلقة؟

1. متطلبات خصوصية البيانات
2. الحاجة إلى الضبط الدقيق المخصص
3. لون شعار الشركة
4. متطلبات زمن الانتقال

السؤال 29

ما هو الاتجاه الذي لوحظ في تسعير API للنماذج اللغوية الكبيرة بمرور الوقت؟

1. ظلت الأسعار ثابتة
2. ارتفعت الأسعار بشكل كبير
3. انخفضت الأسعار بشكل كبير
4. ظلت نماذج التسعير كما هي

السؤال 30

أي عائلة من النماذج مصممة خصيصًا لتوليد الكود من Meta؟

1. Llama
2. Code Llama
3. StarCoder
4. Copilot

---

اكتمال الاختبار!

تهانينا على إكمال اختبار الوحدة 1! راجع أي أسئلة وجدتها صعبة وأعد زيارة أقسام الفصل ذات الصلة.

درجة النجاح: 24/30 (80%)

---

← الفصل 3: مشهد النماذج اللغوية الكبيرة

الوحدة 2: بنية المحولات →