رفتن به محتوا
- در طراحی یک پرامپت متنی برای مدل زبانی، کدام عامل بیشترین تأثیر را بر کاهش پاسخ‌های مبهم دارد؟
- استفاده از جملات کوتاه بدون زمینه
- تعیین نقش و هدف مدل به‌صورت شفاف ✅
- افزایش طول متن ورودی بدون ساختار
- حذف محدودیت‌های خروجی
- کدام خروجی نشان می‌دهد که پرامپت از نظر ساختار دچار نقص بوده است؟
- پاسخ شامل مراحل شماره‌گذاری‌شده
- پاسخ منطبق با قالب درخواستی
- پاسخ کلی و غیرقابل اجرا ✅
- پاسخ همراه با مثال کاربردی
- در مهندسی پرامپت، استفاده از «نمونه پاسخ (Example)» بیشتر برای چه منظوری است؟
- کاهش مصرف منابع پردازشی
- هدایت سبک و قالب خروجی ✅
- افزایش تصادفی‌بودن پاسخ
- حذف نیاز به دستور اصلی
- اگر هدف، تولید محتوای آموزشی قابل ارزیابی باشد، کدام نوع محدودسازی مناسب‌تر است؟
- محدودسازی زمانی
- محدودسازی قالب و معیار ارزیابی ✅
- محدودسازی زبان طبیعی
- حذف دستورالعمل مرحله‌ای
- کدام نشانه بیانگر به‌کارگیری صحیح مهندسی پرامپت در تولید متن است؟
- یکسان بودن پاسخ برای همه ورودی‌ها
- امکان بازتولید پاسخ با ورودی مشابه ✅
- وابستگی کامل پاسخ به تصادف
- حذف تمام قیود از پرامپت
- در پرامپت‌نویسی، چرا تفکیک «دستور» از «زمینه» اهمیت دارد؟
- افزایش حجم داده آموزشی
- کاهش تداخل مفهومی در پاسخ ✅
- افزایش پیچیدگی مدل
- حذف نیاز به بازبینی خروجی
- کدام مورد باعث کاهش خطای تفسیر مدل در پاسخ می‌شود؟
- استفاده از اصطلاحات چندپهلو
- تعریف دامنه خروجی مورد انتظار ✅
- حذف مثال‌ها
- استفاده از زبان غیررسمی
- در ارزیابی کیفیت یک پرامپت، کدام معیار فنی اولویت بالاتری دارد؟
- زیبایی نگارش متن
- میزان تطابق خروجی با هدف اولیه ✅
- طول پاسخ تولیدشده
- سرعت تولید پاسخ
- اگر یک پرامپت برای تولید تصویر منجر به نتایج ناهمگون شود، اولین اقدام اصلاحی چیست؟
- افزایش تعداد کلمات توصیفی نامرتبط
- مشخص‌کردن سبک، زاویه و جزئیات بصری ✅
- حذف همه قیود فنی
- تغییر کامل موضوع تصویر
- در مهندسی پرامپت پیشرفته، «Chain of Thought» بیشتر برای چه نوع وظایفی کاربرد دارد؟
- تولید محتوای احساسی
- حل مسائل چندمرحله‌ای و تحلیلی ✅
- ترجمه ساده متون
- تولید خروجی تصادفی
- اگر خروجی مدل شامل اطلاعات نادرست ولی منسجم باشد، مشکل اصلی پرامپت چیست؟
- ضعف در تعیین لحن
- فقدان معیار صحت‌سنجی ✅
- کوتاه‌بودن متن
- استفاده از مثال زیاد
- در تولید محتوای صوتی با پرامپت، کدام پارامتر اهمیت بیشتری دارد؟
- تعیین فونت نوشتاری
- مشخص‌کردن لحن، سرعت و مکث ✅
- حذف توضیح نقش گوینده
- استفاده از کلمات تخصصی بدون توضیح
- کدام روش باعث افزایش قابلیت ارزیابی پرامپت می‌شود؟
- تغییر مداوم هدف پرامپت
- تعریف شاخص‌های قابل اندازه‌گیری خروجی ✅
- حذف بازخورد انسانی
- افزایش ابهام در دستور
- اگر یک پرامپت شامل ۵ بخش اصلی باشد و هر بخش به‌طور متوسط ۴۰ توکن مصرف کند، مجموع توکن پرامپت چقدر است؟
- در یک آزمایش، با اصلاح پرامپت دقت خروجی از ۶۵٪ به ۷۸٪ رسیده است. میزان بهبود چند درصد است؟
- اگر زمان تولید پاسخ با پرامپت اولیه ۱۲ ثانیه و پس از بهینه‌سازی ۹ ثانیه شود، کاهش زمان چند درصد است؟
- در طراحی پرامپت ویدیویی، تعیین ترتیب صحنه‌ها معادل کدام مفهوم فنی است؟
- تنظیم دما (Temperature)
- ساختاردهی جریان خروجی ✅
- افزایش نویز تصادفی
- فشرده‌سازی داده
- اگر یک پرامپت چندوجهی (متن+تصویر) باعث تداخل پاسخ شود، راه‌حل تخصصی چیست؟
- حذف یکی از ورودی‌ها
- تفکیک و اولویت‌بندی دستورها ✅
- افزایش طول توضیح کلی
- استفاده از واژگان مبهم
- در بازطراحی پرامپت، کدام شاخص نشان‌دهنده پایداری عملکرد است؟
- تغییر مداوم خروجی
- تولید نتایج مشابه در تکرارها ✅
- افزایش تصادفی پاسخ
- کاهش محدودیت‌ها
- اگر هدف، تولید محتوای چندزبانه با حفظ معنا باشد، کدام رویکرد پرامپت‌نویسی مناسب‌تر است؟
- ترجمه تحت‌اللفظی بدون زمینه
- تعریف نقش مترجم مفهومی و محدودیت معنایی ✅
- حذف زبان مبدأ
- تولید خروجی آزاد بدون قید
- در مهندسی پرامپت برای مدل‌های زبانی بزرگ، مفهوم نقش یا Persona به چه منظوری در ابتدای دستور قرار می‌گیرد؟
- ایجاد محدودیت در تعداد توکن‌های خروجی
- تنظیم لحن و تخصص پاسخ‌دهی بر اساس یک الگوی رفتاری ✅
- حذف نیاز به داده‌های اولیه در متن ورودی
- افزایش سرعت پردازش سرورهای مدل زبانی
- کدام روش برای جلوگیری از پاسخ‌های طولانی و بی‌هدف در یک پرامپت متنی مؤثرتر است؟
- استفاده از کلمات کلیدی بیشتر در بخش میانی
- تعریف دقیق محدودیت تعداد کلمات یا ساختار پاراگراف‌ها ✅
- حذف بخش مربوط به زمینه یا Context
- تکرار دستور اصلی در انتهای متن پرامپت
- در تکنیک Few-shot Prompting، ارائه مثال‌های متنوع به مدل چه تأثیر مستقیمی بر خروجی دارد؟
- کاهش حافظه مصرفی مدل در حین پردازش
- آموزش دائمی مدل برای جلسات بعدی
- هدایت مدل به سمت رعایت الگو و فرمت خاص در پاسخ ✅
- جلوگیری از دسترسی مدل به اطلاعات اینترنتی
- هنگام طراحی پرامپت برای تولید تصویر، استفاده از Negative Prompt چه کاربردی دارد؟
- افزایش غلظت رنگ‌های تیره در تصویر نهایی
- مشخص کردن عناصری که نباید در تصویر ظاهر شوند ✅
- کاهش زمان رندرینگ تصویر در مدل‌های نفوی
- تولید تصویر با وضوح پایین‌تر برای پیش‌نمایش
- کدام بخش از یک پرامپت وظیفه ارائه اطلاعات تکمیلی برای درک بهتر مسئله توسط هوش مصنوعی را دارد؟
- دستور یا Task
- زمینه یا Context ✅
- داده خروجی یا Output
- نشانه‌گذاری یا Delimiters
- استفاده از نشانه‌گذارهای متنی مانند سه کوتیشن (““”) در پرامپت‌ها به چه دلیلی توصیه می‌شود؟
- زیباتر شدن متن پرامپت برای کاربر انسانی
- جدا کردن بخش دستورات از متن داده ورودی برای جلوگیری از ابهام مدل ✅
- افزایش تعداد توکن‌های مجاز در هر درخواست
- رمزگذاری داده‌های حساس برای امنیت بیشتر
- در تولید محتوای صوتی با هوش مصنوعی، پرامپت‌نویسی برای تنظیم احساس گوینده در کدام بخش قرار می‌گیرد؟
- بخش مربوط به فرکانس خروجی
- بخش توصیف ویژگی‌های صدا و لحن بیان ✅
- بخش مربوط به بیت‌ریت فایل صوتی
- بخش مربوط به زبان نوشتاری متن
- اگر مدل هوش مصنوعی در پاسخ به یک پرامپت دچار توهم یا Hallucination شود، اولین اقدام اصلاحی در پرامپت چیست؟
- افزایش درجه حرارت یا Temperature مدل
- مجبور کردن مدل به استناد به منابع ارائه شده در متن پرامپت ✅
- حذف محدودیت‌های فرمت خروجی
- استفاده از جملات پیچیده‌تر و طولانی‌تر
- تکنیک Chain of Thought یا زنجیره افکار در پرامپت‌نویسی به چه معناست؟
- اتصال چندین مدل هوش مصنوعی به یکدیگر
- درخواست از مدل برای توضیح مراحل گام‌به‌گام استدلال پیش از ارائه جواب نهایی ✅
- ارائه پرامپت‌های همزمان توسط چندین کاربر
- ذخیره کردن تاریخچه گفتگوها در حافظه بلندمدت
- در بهینه‌سازی پرامپت برای تولید ویدیو، کدام پارامتر در متن پرامپت باعث حفظ ثبات کاراکتر در فریم‌های مختلف می‌شود؟
- تعریف دقیق ویژگی‌های ثابت بصری و محیطی در دستور ✅
- استفاده از افعال حرکتی زیاد و متنوع
- تغییر مداوم سبک نورپردازی در هر جمله
- حذف جزئیات مربوط به پس‌زمینه تصویر
- استفاده از تکنیک Delimiters در پرامپت‌های طولانی چه کمکی به بهبود کارایی مدل می‌کند؟
- کاهش هزینه استفاده از API
- کمک به مدل برای تشخیص مرز بین دستورالعمل‌ها و داده‌های مرجع ✅
- افزایش سرعت تایپ پاسخ توسط مدل
- تغییر زبان پاسخ‌دهی مدل به صورت خودکار
- در طراحی پرامپت‌های تخصصی، رویکرد Iterative Refinement به چه معناست؟
- نوشتن پرامپت تنها در یک مرحله و استفاده از اولین پاسخ
- اصلاح و بهبود تدریجی پرامپت بر اساس تحلیل نتایج خروجی قبلی ✅
- استفاده از پرامپت‌های آماده و کپی شده از اینترنت
- حذف کامل هوش مصنوعی و بازگشت به روش‌های سنتی
- برای دریافت خروجی به صورت داده‌های ساختاریافته (مانند JSON)، کدام دستور در پرامپت ضروری است؟
- درخواست از مدل برای نوشتن متن به صورت ادبی
- تعریف دقیق کلیدهای مورد نیاز و فرمت ساختاری در انتهای پرامپت ✅
- افزایش میزان تصادفی بودن پاسخ‌ها
- استفاده از تصاویر به جای متن در ورودی
- اگر یک مدل هوش مصنوعی دارای محدودیت context window معادل ۴۰۹۶ توکن باشد و پرامپت ورودی شما ۳۰۰۰ توکن اشغال کند، حداکثر پاسخ تولیدی مدل چند توکن خواهد بود؟
- ۴۰۹۶ توکن
- ۱۰۹۶ توکن ✅
- ۷۰۹۶ توکن
- ۳۰۰۰ توکن
- هزینه‌ی پردازش یک پرامپت با ۱۵۰۰ توکن ورودی و ۵۰۰ توکن خروجی، با نرخ ۰۱,۰ دلار به ازای هر ۱۰۰۰ توکن، چقدر است؟
- ۰۱,۰ دلار
- ۰۲,۰ دلار ✅
- ۰۱۵,۰ دلار
- ۰۰۵,۰ دلار
- در تحلیل نسبت بهره‌وری پرامپت، اگر با افزودن ۲۰ درصد به طول متن پرامپت، دقت پاسخ ۵۰ درصد افزایش یابد، این اقدام از نظر مهندسی پرامپت چگونه ارزیابی می‌شود؟
- غیرمنطقی و باعث اتلاف منابع
- بهینه‌سازی موفق و دارای ارزش افزوده بالا ✅
- باعث ایجاد خطا در مدل‌های کوچک
- تأثیری در نتیجه نهایی ندارد
- در یک ساختار درختی برای حل مسئله (Tree of Thoughts)، اگر برای هر گام ۳ راهکار ارائه شود و مسئله ۳ گام داشته باشد، مدل در مجموع چند مسیر راهکار را باید ارزیابی کند؟
- ۹ مسیر
- ۲۷ مسیر ✅
- ۶ مسیر
- ۳ مسیر
- کدام تکنیک در مهندسی پرامپت برای کاهش مستقیم سوگیری (Bias) در پاسخ‌های مدل استفاده می‌شود؟
- تعریف معیارهای عینی و خنثی در دستورالعمل پرامپت ✅
- افزایش استفاده از صفت‌های تفضیلی در متن
- حذف کامل بخش پرسونا از پرامپت
- ارائه مثال‌هایی که همگی دارای یک جهت‌گیری خاص هستند
- در تولید انیمیشن با هوش مصنوعی، پرامپت مربوط به حرکت دوربین (Camera Movement) جزء کدام دسته از مهارت‌های پرامپت‌نویسی است؟
- مهندسی محتوای متنی
- کنترل پارامترهای فنی و بصری در تولید ویدیو ✅
- طراحی داده‌های ساختاریافته
- ارزیابی مدل‌های زبانی بزرگ
- منظور از Temperature در تنظیمات همراه با یک پرامپت چیست؟
- دمای سخت‌افزاری که مدل روی آن اجرا می‌شود
- میزان خلاقیت و تصادفی بودن پاسخ‌های تولید شده توسط مدل ✅
- تعداد کلماتی که در هر ثانیه تولید می‌شوند
- مدت زمانی که مدل برای پاسخ‌دهی فرصت دارد
- در سناریویی که مدل هوش مصنوعی پاسخ‌های طولانی اما نامرتبط به موضوع اصلی ارائه می‌دهد، تنظیم کدام پارامتر در اولویت اصلاح پرامپت قرار دارد؟
- افزایش تعداد مثال‌های موجود در متن ورودی
- استفاده از نشانه‌گذارهای بصری برای تفکیک دستور از داده ✅
- تغییر ساختار جمله از حالت امری به حالت پرسشی
- حذف کامل بخش مربوط به نقش یا پرسونا
- اگر بخواهیم مدل را مجبور کنیم تا قبل از ارائه پاسخ نهایی، استدلال خود را بازبینی کند، از کدام تکنیک پیشرفته باید استفاده کرد؟
- تکنیک بازخورد مستقیم انسانی
- تکنیک Self-Criticism یا خودانتقادی در متن پرامپت ✅
- تکنیک افزایش طول توکن‌های خروجی
- تکنیک حذف پارامتر دما
- در طراحی پرامپت برای استخراج داده از متون حقوقی، استفاده از فرمت JSON به جای متن ساده چه مزیتی در مهندسی سیستم دارد؟
- کاهش مصرف توکن‌های ورودی در مدل زبانی
- تسهیل در یکپارچه‌سازی خروجی مدل با پایگاه‌های داده و نرم‌افزارها ✅
- افزایش خلاقیت ادبی مدل در تولید متن
- جلوگیری از پاسخ‌دهی مدل به سوالات غیراخلاقی
- برای جلوگیری از پدیده تزریق پرامپت (Prompt Injection) در سیستمهای چت‌بات، کدام راهکار در طراحی دستورالعمل ایمن‌تر است؟
- قرار دادن دستورات حساس در انتهای پرامپت
- استفاده از جداکننده‌های سیستمی و تعریف محدودیت دسترسی در لایه میانی ✅
- افزایش تعداد کلمات هشداردهنده در متن
- تغییر زبان پرامپت به زبانی غیر از انگلیسی
- در مدل‌های تولید تصویر، افزودن عبارت ۸k resolution یا highly detailed به انتهای پرامپت از نظر فنی چه تأثیری دارد؟
- افزایش ابعاد فیزیکی تصویر تولید شده
- هدایت مدل به سمت استفاده از بردارهای نویز با جزئیات بیشتر ✅
- کاهش زمان پردازش در کارت گرافیک سرور
- تغییر خودکار نسبت ابعاد تصویر به مستطیل
- در تکنیک RAG (تولید تقویت‌شده با بازیابی)، نقش پرامپت در مواجهه با اسناد بازیابی شده چیست؟
- ترجمه اسناد به زبان مدل زبانی
- ترکیب هوشمندانه متن سند با سوال کاربر جهت جلوگیری از توهم مدل ✅
- حذف اسناد تکراری قبل از رسیدن به مدل
- تغییر فونت اسناد برای درک بهتر توسط مدل
- برای تولید یک ویدیوی کوتاه که در آن حرکت دوربین به صورت “چرخش دورانی” باشد، کدام عبارت در پرامپت مهندسی‌شده دقیق‌تر عمل می‌کند؟
- توصیف کلی منظره بدون اشاره به دوربین
- استفاده از عبارت فنی Cinematic Orbital Shot در بخش حرکتی ✅
- تکرار کلمه حرکت در کل متن پرامپت
- افزایش زمان ویدیو در تنظیمات خروجی
- در سیستمهای تبدیل متن به گفتار (TTS)، برای ایجاد مکث دو ثانیه‌ای بین دو جمله در یک پرامپت تخصصی از چه روشی استفاده می‌شود؟
- استفاده از برچسب‌های استاندارد مانند SSML یا نشانه‌های خاص زمانی ✅
- نوشتن کلمه مکث به صورت متنی در میان جملات
- افزایش تعداد نقطه‌چین‌ها در انتهای جمله اول
- تغییر لحن پرامپت به حالت غمگین
- اگر مدل زبانی در پاسخ به یک مسئله ریاضی پیچیده دچار خطا شود، اضافه کردن عبارت Let’s think step by step به ابتدای پرامپت چه فرآیندی را فعال می‌کند؟
- کاهش تعداد توکن‌های مصرفی برای صرفه‌جویی
- فعال‌سازی زنجیره افکار (Chain of Thought) برای بهبود منطق مرحله‌ای ✅
- تغییر زبان مدل به زبان برنامه‌نویسی پایتون
- ارسال درخواست به یک مدل ریاضی قدرتمندتر
- در بهینه‌سازی پرامپت برای تولید محتوای تبلیغاتی، استفاده از “تکنیک لنگر انداختن” (Anchoring) به چه معناست؟
- تکرار نام برند در ابتدای هر پاراگراف
- ارائه یک چارچوب یا ارزش عددی مشخص برای هدایت ذهنیت مدل ✅
- حذف تمامی قیدهای زمانی از متن پرامپت
- استفاده از تصاویر به جای متن در دستورالعمل
- کدام مورد نشان‌دهنده نقص در “زمینه” یا Context یک پرامپت است؟
- مدل پاسخ را در قالب جدول ارائه می‌دهد
- مدل از اطلاعات عمومی و قدیمی به جای داده‌های خاص منظوره استفاده می‌کند ✅
- مدل پاسخ را با سرعت بسیار بالایی تولید می‌کند
- مدل از کلمات تخصصی در پاسخ استفاده می‌کند
- در طراحی پرامپت برای ویرایش یک تصویر موجود (Inpainting)، تعیین محدوده ماسک شده بر عهده کدام بخش از فرآیند است؟
- بخش توصیف متنی رنگ‌ها
- بخش مختصات بصری و نقشه منطقه‌ای در پرامپت ترکیبی ✅
- بخش مربوط به سبک هنری تصویر
- بخش مربوط به نام عکاس یا هنرمند
- برای تست پایداری یک پرامپت، اجرای آن با پارامتر Temperature برابر با ۰ چه کمکی به طراح می‌کند؟
- تولید پاسخ‌های متنوع و خلاقانه در هر بار اجرا
- بررسی تکرارپذیری و یکسان بودن پاسخ در شرایط کنترل شده ✅
- کاهش هزینه مصرف توکن به نصف
- افزایش سرعت تولید خروجی در مدل‌های آفلاین
- محاسبات: اگر هر کلمه فارسی به طور متوسط معادل ۵,۱ توکن در یک مدل خاص باشد، یک پرامپت با ۴۰۰ کلمه فارسی چند توکن از ظرفیت Context Window را اشغال می‌کند؟
- ۴۰۰ توکن
- ۶۰۰ توکن ✅
- ۲۶۶ توکن
- ۸۰۰ توکن
- محاسبات هزینه: اگر هزینه ورودی ۵,۰ دلار برای هر میلیون توکن و هزینه خروجی ۵,۱ دلار باشد، هزینه یک درخواست با ۲۰۰۰ توکن ورودی و ۱۰۰۰ توکن خروجی چقدر است؟
- ۰۰۲۵,۰ دلار ✅
- ۰۲۵,۰ دلار
- ۲۵,۰ دلار
- ۵,۲ دلار
- تحلیل نقشه منطقی: در یک گردش کار (Workflow) هوش مصنوعی، اگر پرامپت اول مسئول “خلاصه‌سازی” و پرامپت دوم مسئول “تحلیل احساسات” از همان خلاصه باشد، بروز خطا در پرامپت اول چه اثری بر کل سیستم دارد؟
- باعث بهبود دقت پرامپت دوم می‌شود
- باعث پدیده خطای تجمعی (Error Propagation) در کل زنجیره می‌شود ✅
- تأثیری بر خروجی نهایی تحلیل احساسات ندارد
- باعث کاهش خودکار هزینه‌های پردازش می‌شود
- محاسبات ظرفیت: مدلی دارای حد آستانه ۸۱۹۲ توکن است. اگر پرامپت سیستمی ۱۰۰۰ توکن و تاریخچه گفتگو ۵۰۰۰ توکن باشد، حداکثر فضای باقی‌مانده برای پاسخ جدید مدل چقدر است؟
- ۳۱۹۲ توکن
- ۲۱۹۲ توکن ✅
- ۱۰۰۰ توکن
- ۴۱۹۲ توکن
- در ساختار یک پرامپت برای تولید موسیقی، تعیین پارامتر BPM نشان‌دهنده کدام ویژگی در خروجی صوتی است؟
- میزان بلندی صدا بر حسب دسیبل
- سرعت ضرب‌آهنگ یا تمپو موسیقی ✅
- تعداد سازهای استفاده شده در قطعه
- فرمت ذخیره‌سازی فایل صوتی
- تفاوت اصلی بین Zero-shot و One-shot در طراحی پرامپت چیست؟
- در One-shot مدل فقط یک بار اجازه پاسخ‌دهی دارد
- در One-shot یک نمونه مثال از پاسخ مطلوب به مدل داده می‌شود ✅
- در Zero-shot مدل هیچ دسترسی به اینترنت ندارد
- در Zero-shot از توکن‌های بیشتری استفاده می‌شود
- در ارزیابی کیفی پرامپت، معیار Perplexity کمتر به چه معناست؟
- مدل در پیش‌بینی توکن بعدی دچار سردرگمی بیشتری شده است
- مدل با اطمینان و دقت بالاتری متن را تولید کرده است ✅
- طول پاسخ بسیار کوتاه است
- پرامپت ورودی دارای غلط املایی است
- در مهندسی پرامپت، تفاوت اصلی بین System Message و User Prompt در محیط‌های API چیست؟
- پیام سیستم برای تعیین رفتار کلی و محدودیت‌های مدل است و پیام کاربر دستور اجرایی لحظه‌ای می‌باشد ✅
- پیام سیستم فقط برای دریافت خروجی تصویری و پیام کاربر برای خروجی متنی استفاده می‌شود
- پیام سیستم توسط هوش مصنوعی تولید می‌شود و پیام کاربر توسط برنامه‌نویس
- هیچ تفاوتی در پردازش نهایی توکن‌ها بین این دو وجود ندارد
- استفاده از جداکننده‌های XML مانند <text>…</text> در پرامپت‌های طولانی چه مزیت فنی نسبت به جداکننده‌های ساده دارد؟
- باعث کاهش مصرف پهنای باند اینترنت می‌شود
- از تداخل دستورالعمل‌های پرامپت با متن داده ورودی (Prompt Injection) جلوگیری می‌کند ✅
- حجم توکن‌های مصرفی را به شدت کاهش می‌دهد
- مدل را مجبور می‌کند فقط به زبان انگلیسی پاسخ دهد
- در تولید محتوای متنی، هدف از به‌کارگیری تکنیک Re-reading (بازخوانی) در طراحی پرامپت چیست؟
- افزایش سرعت تایپ خروجی توسط هوش مصنوعی
- بهبود درک مدل از روابط منطقی موجود در متن‌های بسیار طولانی ✅
- حذف خودکار کلمات تکراری در پاسخ نهایی
- ذخیره پاسخ در حافظه کوتاه مدت سیستم
- تنظیم پارامتر Top-p (Nucleus Sampling) در کنار Temperature چه تأثیری بر خروجی مدل دارد؟
- فقط طول متن خروجی را افزایش می‌دهد
- باعث انتخاب توکن‌ها از میان مجموعه‌ای از احتمال‌های جمعی می‌شود و تنوع پاسخ را کنترل می‌کند ✅
- مدل را مجبور می‌کند فقط از کلمات تخصصی استفاده کند
- سرعت پردازش پردازنده گرافیکی را تنظیم می‌کند
- در تکنیک Chain of Verification (CoVe)، مرحله پس از تولید پاسخ اولیه توسط مدل چیست؟
- پایان دادن به گفتگو و ذخیره نتیجه
- طراحی سوالات خودارزیابی توسط مدل برای بررسی صحت ادعاهای پاسخ اولیه ✅
- ترجمه پاسخ به یک زبان دیگر برای اطمینان از معنا
- کاهش تعداد پارامترهای مدل برای افزایش دقت
- برای دریافت خروجی از مدل به صورت یک فایل CSV جهت استفاده در اکسل، کدام رویکرد در پرامپت‌نویسی صحیح است؟
- درخواست از مدل برای تولید یک فایل فشرده
- تعیین دقیق نام ستون‌ها و استفاده از علامت کاما به عنوان جداکننده در بخش فرمت خروجی ✅
- ارسال یک تصویر از جدول اکسل برای مدل
- استفاده از جملات توصیفی طولانی درباره مزایای اکسل
- در تولید تصویر با مدل‌های Diffusion، افزایش پارامتر Guidance Scale (CFG) در پرامپت چه نتیجه‌ای دارد؟
- تصویر را محوتر و خیالی‌تر می‌کند
- تطابق تصویر تولید شده با متن پرامپت را بیشتر کرده اما ممکن است کیفیت بصری را کاهش دهد ✅
- تعداد رنگ‌های به کار رفته در تصویر را محدود می‌کند
- رزولوشن تصویر را از HD به ۴K تغییر می‌دهد
- برای جلوگیری از پدیده Lost in the Middle در پرامپت‌های بسیار طولانی، اطلاعات حیاتی باید در کدام قسمت قرار گیرند؟
- دقیقاً در وسط متن پرامپت
- در ابتدا یا انتهای متن پرامپت ✅
- در یک فایل جداگانه و ضمیمه
- در پاورقی متن پرامپت
- در مهندسی پرامپت چندوجهی (Multimodal)، اگر مدل بین متن و تصویر دچار تناقض شود، اولویت پردازش معمولاً چگونه است؟
- همیشه اولویت با تصویر است
- همیشه اولویت با اولین دستور متنی است
- بستگی به معماری مدل و نحوه وزن‌دهی در پرامپت دارد ✅
- مدل به طور خودکار پاسخ را متوقف می‌کند
- تکنیک Least-to-Most Prompting بیشتر در چه نوع مسائلی کاربرد دارد؟
- تولید اشعار ادبی و متون احساسی
- حل مسائل پیچیده که نیاز به تجزیه به زیرمسئله‌های ساده‌تر دارند ✅
- افزایش سرعت پاسخ‌دهی در چت‌های روزمره
- تغییر فونت و استایل متون نمایشی
- در طراحی پرامپت صوتی، استفاده از کلمات آوایی (Onomatopoeia) مانند “Tick Tock” چه کمکی به مدل‌های مولد صدا می‌کند؟
- باعث افزایش حجم فایل صوتی می‌شود
- به مدل در درک و تولید جلوه‌های صوتی خاص و ریتمیک کمک می‌کند ✅
- زبان مدل را به صورت خودکار شناسایی می‌کند
- نویز پس‌زمینه را حذف می‌کند
- برای محدود کردن مدل زبانی به عدم استفاده از اطلاعات خارج از متن ارائه شده (Closed-domain)، کدام دستور مؤثرتر است؟
- لطفاً خیلی دقیق پاسخ بده
- فقط بر اساس متن ارائه شده پاسخ بده و اگر جواب در متن نیست بگو نمی‌دانم ✅
- از اطلاعات اینترنت برای بهبود پاسخ استفاده کن
- پاسخ را به صورت کوتاه بنویس
- در بهینه‌سازی پرامپت برای برنامه‌نویسی، ارائه تعریف تابع (Function Signature) به عنوان Context چه فایده‌ای دارد؟
- حجم کد تولید شده را افزایش می‌دهد
- باعث می‌شود مدل کدی بنویسد که با ساختار و ورودی‌های تابع تعریف شده سازگار باشد ✅
- سرعت اجرای کد را در سیستم کاربر بالا می‌برد
- نیاز به نصب کتابخانه‌های جانبی را از بین می‌برد
- محاسبات توکن: اگر یک مدل هوش مصنوعی برای هر ۱۰۰ کاراکتر فارسی ۸۰ توکن مصرف کند، یک پرامپت با ۲۵۰۰ کاراکتر فارسی چند توکن از سهمیه ورودی را مصرف خواهد کرد؟
- ۱۰۰۰ توکن
- ۲۰۰۰ توکن ✅
- ۲۵۰۰ توکن
- ۳۲۰۰ توکن
- محاسبات هزینه: هزینه استفاده از یک مدل برای هر ۱۰۰۰ توکن ورودی ۰۱,۰ دلار و برای هر ۱۰۰۰ توکن خروجی ۰۳,۰ دلار است. هزینه نهایی درخواستی با ۵۰۰۰ توکن ورودی و ۲۰۰۰ توکن خروجی چند دلار خواهد بود؟
- ۰۵,۰ دلار
- ۱۱,۰ دلار ✅
- ۱۵,۰ دلار
- ۲۰,۰ دلار
- محاسبات پنجره بافت: مدلی دارای محدودیت ۳۲۰۰۰ توکن است. اگر پرامپت شما ۱۲۰۰۰ توکن و تاریخچه چت ۱۵۰۰۰ توکن باشد، حداکثر چند توکن برای پاسخ جدید مدل باقی می‌ماند؟
- ۵۰۰۰ توکن ✅
- ۱۰۰۰۰ توکن
- ۱۷۰۰۰ توکن
- ۲۰۰۰ توکن
- تحلیل منطقی: در یک پرامپت با ساختار Tree of Thoughts، اگر برای حل یک مسئله ۴ مسیر پیشنهادی ایجاد شود و هر مسیر دارای ۲ گام ارزیابی باشد، حداقل چند بار باید مدل را برای تکمیل درخت فراخوانی کرد؟
- ۴ بار
- ۸ بار ✅
- ۱۲ بار
- ۱۶ بار
- در تنظیمات پیشرفته مدل، کاهش پارامتر Frequency Penalty به مقدار صفر باعث چه اتفاقی در خروجی می‌شود؟
- مدل از تکرار کلمات یکسان در پاسخ ترسی نخواهد داشت ✅
- مدل به هیچ وجه کلمات تکراری استفاده نمی‌کند
- سرعت پاسخ‌دهی مدل دو برابر می‌شود
- تمام حروف بزرگ به حروف کوچک تبدیل می‌شوند
- در طراحی پرامپت برای تولید انیمیشن، استفاده از Seed ثابت در پرامپت‌های متوالی به چه منظوری انجام می‌شود؟
- برای تغییر سبک هنری در هر فریم
- برای حفظ ثبات بصری و تداوم ظاهر کاراکتر در فریم‌های مختلف ✅
- برای کاهش حجم فایل نهایی ویدیو
- برای افزایش سرعت رندرینگ تصاویر
- کدام یک از روش‌های زیر برای ارزیابی دقت یک پرامپت در مقیاس بزرگ (Batch Testing) استفاده می‌شود؟
- خواندن تک تک پاسخ‌ها توسط مدیر پروژه
- استفاده از یک مدل هوش مصنوعی قوی‌تر به عنوان داور (LLM as a Judge) برای نمره‌دهی به پاسخ‌ها ✅
- تغییر رنگ فونت پرامپت‌ها
- افزایش زمان انتظار بین هر درخواست
- در مدیریت حافظه مدل‌های زبانی، استفاده از تکنیک Semantic Caching (حافظه پنهان معنایی) در لایه پرامپت چه هدفی را دنبال می‌کند؟
- افزایش دقت مدل در حل مسائل ریاضی پیچیده
- ذخیره پاسخ پرامپت‌های مشابه برای کاهش تأخیر (Latency) و هزینه‌های API ✅
- تغییر خودکار لحن مدل بر اساس ملیت کاربر
- پاکسازی خودکار تاریخچه گفتگو در پایان هر جلسه
- برای مقابله با پدیده Sycophancy (بله‌قربان‌گویی هوش مصنوعی)، کدام استراتژی در نگارش پرامپت مؤثرتر است؟
- تعریف یک نقش (Persona) که همیشه با کاربر موافق باشد
- استفاده از پرامپت‌های خنثی و دستور به مدل برای به چالش کشیدن نظرات اشتباه کاربر ✅
- حذف تمامی محدودیت‌های اخلاقی از متن پرامپت
- افزایش پارامتر دما به حداکثر مقدار ممکن
- در مهندسی پرامپت برای استخراج داده، استفاده از تکنیک Few-shot همراه با JSON Schema چه مزیتی دارد؟
- سرعت تولید متن را ده برابر می‌کند
- تضمین می‌کند که خروجی دقیقاً مطابق با ساختار برنامه‌نویسی مورد نیاز و قابل پارس باشد ✅
- نیاز به استفاده از مدل‌های بزرگ را به کلی از بین می‌برد
- باعث می‌شود مدل به صورت صوتی پاسخ دهد
- در متدولوژی Self-Consistency، پس از تولید چندین مسیر استدلال توسط پرامپت Chain of Thought، نتیجه نهایی چگونه انتخاب می‌شود؟
- اولین پاسخی که مدل تولید کرده است
- طولانی‌ترین پاسخ از نظر تعداد کلمات
- پاسخی که در بین اکثریت مسیرهای استدلال تکرار شده است (رأی‌گیری اکثریت) ✅
- پاسخی که کمترین تعداد توکن را مصرف کرده باشد
- تکنیک Prompt Leaking به چه معناست و راه مقابله با آن در پرامپت‌نویسی چیست؟
- نشت اطلاعات شخصی کاربر که با استفاده از دستورات کنترلی در پیام سیستم مدیریت می‌شود
- تلاش کاربر برای استخراج دستورالعمل‌های مخفی پشت چت‌بات که با تعریف گاردریل‌های امنیتی پیشگیری می‌شود ✅
- کند شدن سرعت پاسخ‌دهی مدل به دلیل طولانی بودن متن
- استفاده از توکن‌های غیرمجاز در متن ورودی
- در تولید تصویر با هوش مصنوعی، تفاوت اصلی پرامپت‌نویسی برای Inpainting نسبت به تولید تصویر اولیه چیست؟
- در Inpainting فقط باید به رنگ‌های محیطی اشاره کرد
- پرامپت باید دقیقاً بر روی تغییرات ناحیه ماسک شده و هماهنگی آن با بافت اطراف تمرکز کند ✅
- در Inpainting نمی‌توان از کلمات منفی استفاده کرد
- رزولوشن تصویر در Inpainting همیشه ثابت می‌ماند
- در طراحی پرامپت برای تولید کدهای برنامه‌نویسی، ارائه “تست‌کیس (Test Case)” در متن پرامپت چه کمکی به مدل می‌کند؟
- حجم کد را کاهش می‌دهد
- به مدل کمک می‌کند منطق کد را بر اساس نتایج انتظاری تنظیم کرده و خطاها را کاهش دهد ✅
- کد را به صورت خودکار در اینترنت آپلود می‌کند
- زبان برنامه‌نویسی را تغییر می‌دهد
- پارامتر Stop Sequences در تنظیمات API به چه منظور در کنار متن پرامپت تعریف می‌شود؟
- برای شروع مجدد پردازش از ابتدا
- برای تعیین کاراکترهای خاصی که به محض مشاهده آن‌ها، تولید متن توسط مدل متوقف شود ✅
- برای افزایش تعداد پاراگراف‌های خروجی
- برای ترجمه همزمان متن به زبان دیگر
- در تکنیک Automatic Prompt Engineer (APE)، نقش هوش مصنوعی چیست؟
- فقط تایپ کردن پرامپت‌های انسانی
- تولید، ارزیابی و انتخاب بهترین نگارش پرامپت برای یک وظیفه مشخص به صورت خودکار ✅
- حذف توکن‌های فارسی از پرامپت
- کاهش نور صفحه نمایش هنگام کار با مدل
- مفهوم “Temperature Decay” در پرامپت‌های طولانی و چند مرحله‌ای به چه معناست؟
- کاهش تدریجی دمای اتاق سرور
- کاهش تدریجی پارامتر خلاقیت در طول گام‌های استدلال برای رسیدن به یک نتیجه قطعی و منطقی ✅
- افزایش سرعت پاسخ‌دهی در انتهای متن
- استفاده از رنگ‌های سرد در خروجی‌های تصویری
- در طراحی سیستمهای عامل بر پایه پرامپت (Prompt-based Agents)، وظیفه “Planning Prompt” چیست؟
- ذخیره نام کاربری در دیتابیس
- تجزیه یک هدف کلی به گام‌های اجرایی ریز و تعیین ترتیب انجام آن‌ها توسط مدل ✅
- چاپ گزارش نهایی بر روی کاغذ
- بررسی اتصال اینترنت سیستم
- استفاده از “Verbalizers” در پرامپت‌های کلاسه‌بندی (Classification) به چه منظور است؟
- تبدیل خروجی‌های عددی احتمالات مدل به برچسب‌های متنی قابل فهم انسان ✅
- افزایش صدای خروجی اسپیکر
- حذف کلمات اضافه از صورت سوال
- تغییر فونت خروجی به نستعلیق
- در تولید محتوای صوتی، افزودن توصیفات احساسی مانند “With a shaky breath” در پرامپت متنی چه تأثیری بر خروجی مدل‌های پیشرفته دارد؟
- هیچ تأثیری در مدل‌های صوتی ندارد
- باعث تغییر در لحن، تنفس و القای حس اضطراب در صدای تولید شده می‌شود ✅
- باعث قطع شدن ناگهانی صدا می‌شود
- فقط متن را به صورت نوشته در کنار صدا نمایش می‌دهد
- محاسبات توکن: اگر هر کلمه فارسی به طور متوسط معادل ۲,۲ توکن و هر کلمه انگلیسی معادل ۲,۱ توکن باشد، یک پرامپت شامل ۲۰۰ کلمه فارسی و ۱۰۰ کلمه انگلیسی مجموعاً چند توکن خواهد بود؟
- ۳۰۰ توکن
- ۴۴۰ توکن
- ۵۶۰ توکن ✅
- ۶۶۰ توکن
- محاسبات هزینه بهینه‌سازی: اگر با اصلاح پرامپت، تعداد توکن‌های ورودی از ۱۵۰۰ به ۱۰۰۰ کاهش یابد، در مجموع ۰۰۰,۱۰۰ فراخوانی با نرخ ۰۱,۰ دلار به ازای هر ۱۰۰۰ توکن، چند دلار صرفه‌جویی می‌شود؟
- ۵۰ دلار
- ۵۰۰ دلار ✅
- ۱۰۰۰ دلار
- ۵۰۰۰ دلار
- محاسبات پنجره بافت (Context Window): در یک مدل با محدودیت ۸۱۹۲ توکن، اگر بخواهیم ۵۰۰۰ توکن را به متن مرجع اختصاص دهیم و انتظار پاسخ ۱۰۰۰ توکنی داشته باشیم، حداکثر چند توکن برای “دستورالعمل سیستم” و “تاریخچه چت” باقی می‌ماند؟
- ۱۱۹۲ توکن
- ۲۱۹۲ توکن ✅
- ۳۱۹۲ توکن
- ۴۱۹۲ توکن
- محاسبات عملکرد (Throughput): اگر مدلی بتواند ۴۰ توکن در ثانیه تولید کند، تولید یک پاسخ ۱۲۰۰ توکنی که از طریق یک پرامپت بهینه‌سازی شده درخواست شده است، چند ثانیه زمان می‌برد؟
- ۱۲ ثانیه
- ۳۰ ثانیه ✅
- ۴۰ ثانیه
- ۶۰ ثانیه
- در طراحی پرامپت‌های “مجموعه داده‌ساز (Synthetic Data Generation)”، استفاده از تنوع در Seed متنی چه کاربردی دارد؟
- کاهش سرعت تولید داده برای امنیت بیشتر
- جلوگیری از تولید داده‌های مشابه و تکراری و افزایش تنوع آماری در خروجی‌ها ✅
- حذف تمامی اعداد از داده‌های تولید شده
- تغییر فرمت فایل از PDF به Excel
- کدام تکنیک در پرامپت‌نویسی برای مدل‌های Multimodal جهت تحلیل جداول پیچیده تصویری توصیه می‌شود؟
- درخواست از مدل برای نادیده گرفتن خطوط جدول
- تکنیک Visual Sampling یا درخواست برای تبدیل جدول به فرمت Markdown قبل از تحلیل نهایی ✅
- استفاده از رنگ‌های تیره در تصویر جدول
- کوچک کردن سایز تصویر جدول تا حد ممکن
- مفهوم “Prompt Drift” در سیستمهای عملیاتی به چه معناست؟
- جابجایی فیزیکی سرورهای هوش مصنوعی
- تغییر در کیفیت یا ماهیت پاسخ‌های مدل به یک پرامپت ثابت در طول زمان (به دلیل آپدیت‌های مدل) ✅
- حذف شدن پرامپت‌ها از حافظه سیستم به دلیل قطع برق
- تغییر زبان رابط کاربری نرم‌افزار
- در مهندسی پرامپت برای مدل‌های بینایی-زبانی (Vision-Language)، تکنیک Set-of-Mark (SoM) به چه منظوری استفاده می‌شود؟
- افزایش سرعت لود شدن تصاویر سنگین
- تقسیم تصویر به نواحی مختلف و شماره‌گذاری اشیاء برای ارجاع دقیق پرامپت به اجزای بصری ✅
- تبدیل خودکار تمام تصاویر به کدهای باینری جهت پردازش متنی
- حذف نویزهای محیطی از تصاویر سیاه و سفید
- در طراحی پرامپت‌های مربوط به سیستمهای RAG، استفاده از استراتژی Re-ranking پس از بازیابی اولیه چه تأثیری بر عملکرد مدل دارد؟
- باعث کاهش تعداد توکن‌های ورودی می‌شود
- با بازچیدمان قطعات بازیابی شده بر اساس شباهت معنایی، از ورود اطلاعات غیرمرتبط به پنجره بافت جلوگیری می‌کند ✅
- نیاز به استفاده از دستورات System Message را از بین می‌برد
- حافظه گرافیکی سرور را آزاد می‌کند
- تکنیک Self-Refine در مهندسی پرامپت بر کدام چرخه منطقی استوار است؟
- تولید خروجی، نقد خروجی توسط خود مدل، و اصلاح خروجی بر اساس نقد ارائه شده ✅
- ارسال همزمان یک پرامپت برای چهار مدل مختلف و مقایسه نتایج
- کوتاه کردن پرامپت تا حدی که مدل دچار خطا شود
- ترجمه پرامپت به زبان‌های مختلف و بازگرداندن آن به زبان اصلی
- پدیده Lost in the Middle در مدل‌های زبانی با پنجره بافت بزرگ (Long Context) به چه معناست؟
- مدل اطلاعات ابتدای متن را کاملاً فراموش می‌کند
- کاهش دقت مدل در بازیابی و پردازش اطلاعاتی که در وسط یک پرامپت بسیار طولانی قرار گرفته‌اند ✅
- توقف ناگهانی مدل در هنگام تولید پاسخ‌های متوسط
- عدم توانایی مدل در تشخیص زبان‌های میانی مثل اسپرانتو
- در نگارش پرامپت برای تولید ویدیو (Text-to-Video)، مفهوم Temporal Consistency (ثبات زمانی) چگونه مدیریت می‌شود؟
- با افزایش تعداد کلمات در هر سطر پرامپت
- با ذکر دقیق جزئیات حرکتی و ثابت نگه داشتن ویژگی‌های کلیدی سوژه در طول توصیفات فریم‌ها ✅
- با استفاده از افعال زمان گذشته در متن پرامپت
- با حذف توصیفات مربوط به نورپردازی محیطی
- استفاده از “Negative Prompts” در مدل‌های تولید تصویر با چه هدفی انجام می‌شود؟
- کاهش روشنایی تصویر خروجی
- فهرست کردن ویژگی‌ها یا اشیایی که مدل صراحتاً باید از گنجاندن آن‌ها در تصویر نهایی خودداری کند ✅
- ایجاد حس غم و اندوه در تصاویر هنری
- افزایش سرعت رندرینگ تصاویر سه بعدی
- در پرامپت‌نویسی زنجیره‌ای (Prompt Chaining)، نقش “Intermediate Output” چیست؟
- خروجی نهایی که به کاربر نمایش داده می‌شود
- خروجی یک مرحله که به عنوان ورودی یا بافت برای مرحله بعدی پرامپت استفاده می‌شود ✅
- پیامی که در صورت بروز خطا در سیستم نمایش داده می‌شود
- کدهای برنامه‌نویسی که مدل به اشتباه تولید کرده است
- تکنیک Chain of Verification (CoVe) با چه هدفی در پرامپت‌های استنتاجی به کار می‌رود؟
- تأیید هویت کاربر پیش از پاسخ‌دهی
- کاهش توهم (Hallucination) از طریق وادار کردن مدل به طرح سوالات راستی‌آزمایی از پاسخ اولیه خود ✅
- افزایش تعداد کلمات خروجی برای گزارش‌های طولانی
- تغییر فرمت پاسخ از متنی به جداول آماری
- در مهندسی پرامپت برای مدل‌های صوتی (Speech Models)، استفاده از برچسب‌های Prosody چه کاربردی دارد؟
- تنظیم خودکار حجم فایل صوتی
- کنترل لحن، آهنگ، مکث و تأکید بر کلمات خاص در هنگام تبدیل متن به گفتار ✅
- حذف صدای پس‌زمینه از فایل‌های صوتی قدیمی
- تبدیل گفتار به کدهای برنامه‌نویسی پایتون
- در طراحی “System Prompt” برای یک ایجنت (Agent) که دسترسی به ابزار (Tool Use) دارد، ذکر کدام مورد حیاتی است؟
- تاریخ تولد برنامه‌نویس مدل
- دستورالعمل دقیق درباره زمان و نحوه فراخوانی ابزارهای خارجی بر اساس ورودی کاربر ✅
- لیست تمام مدل‌های رقیب در بازار
- تعداد سرورهای مورد نیاز برای اجرای مدل
- محاسبات تأخیر: اگر زمان تولید اولین توکن (TTFT) حدود ۲۰۰ میلی‌ثانیه و سرعت تولید توکن‌های بعدی ۵۰ میلی‌ثانیه به ازای هر توکن باشد، زمان کل پاسخ‌دهی برای یک پرامپت که منجر به تولید ۱۰۰ توکن می‌شود، چند ثانیه است؟
- ۵,۲ ثانیه
- ۱۵,۵ ثانیه ✅
- ۲,۷ ثانیه
- ۱۰ ثانیه
- محاسبات بهینه‌سازی توکن: اگر یک پرامپت شامل ۵۰۰ کلمه فارسی باشد و به دلیل عدم رعایت نرمال‌سازی (Normalization)، هر کلمه به طور میانگین ۵,۳ توکن مصرف کند، با اعمال نرمال‌سازی و کاهش میانگین به ۲,۲ توکن، چند توکن در هر فراخوانی صرفه‌جویی می‌شود؟
- ۴۵۰ توکن
- ۶۵۰ توکن ✅
- ۸۵۰ توکن
- ۱۱۰۰ توکن
- محاسبات هزینه RAG: در یک سیستم که از ۵ قطعه بازیابی شده (هر کدام ۴۰۰ توکن) در پرامپت استفاده می‌کند، اگر هزینه هر ۱۰۰۰ توکن ورودی ۰۰۱۵,۰ دلار باشد، هزینه بخش “بافت” (Context) برای ۰۰۰,۱۰ پرسش چقدر خواهد بود؟
- ۱۵ دلار
- ۳۰ دلار ✅
- ۴۵ دلار
- ۶۰ دلار
- محاسبات محدودیت بافت: در مدلی با پنجره بافت ۱۲۸K توکن، اگر یک فایل متنی با حجم ۰۰۰,۱۰۰ توکن به پرامپت ضمیمه شود و سیستم پرامپت (System Message) نیز ۰۰۰,۲ توکن باشد، حداکثر فضای باقی‌مانده برای تاریخچه گفتگو و پاسخ مدل چقدر است؟
- ۰۰۰,۱۶ توکن
- ۰۰۰,۲۶ توکن ✅
- ۰۰۰,۳۶ توکن
- ۰۰۰,۴۶ توکن
- مفهوم “Few-shot CoT” ترکیبی از کدام دو استراتژی در مهندسی پرامپت است؟
- ارائه مثال‌های محدود همراه با نمایش گام‌های استدلال منطقی برای رسیدن به پاسخ ✅
- استفاده از کلمات منفی و مثبت به صورت همزمان
- ترکیب ورودی‌های تصویری و صوتی در یک پرامپت
- تکرار یک دستور ثابت به ده زبان مختلف
- در ارزیابی کیفی پرامپت‌ها، معیار “Faithfulness” در چارچوب RAGAS به چه معناست؟
- سرعت پاسخ‌دهی مدل به ثانیه
- میزان انطباق و وفاداری پاسخ مدل به اطلاعات موجود در قطعات بازیابی شده (عدم اضافه کردن اطلاعات خارج از منبع) ✅
- تعداد کلمات فارسی به کار رفته در خروجی
- میزان رضایت کاربر از فونت نمایش داده شده پاسخ
- استفاده از جداکننده (Delimiters) مانند ““`” یا ### در متن پرامپت چه کاربردی دارد؟
- برای زیباتر شدن متن پرامپت جهت ارائه به مدیر
- برای تفکیک صریح بخش‌های مختلف مانند دستورالعمل، بافت مرجع و ورودی کاربر جهت جلوگیری از تداخل منطقی ✅
- برای رمزگذاری متن پرامپت جهت امنیت بیشتر
- برای افزایش خودکار پارامتر خلاقیت مدل
- در تکنیک “Skeleton of Thought”، مدل در گام اول پرامپت چه چیزی را تولید می‌کند؟
- پاسخ کامل و نهایی را
- یک طرح کلی یا اسکلت‌بندی از عناوین پاسخ که در گام‌های بعد به صورت موازی تکمیل می‌شوند ✅
- لیست منابعی که از آن‌ها استفاده کرده است
- یک تصویر مرتبط با موضوع سوال
- کدام روش برای جلوگیری از “Prompt Injection” در اپلیکیشن‌های مبتنی بر LLM مؤثرتر است؟
- استفاده از مدل‌های کوچک‌تر و ضعیف‌تر
- استفاده از لایه‌های فیلترینگ ورودی (Input Sanitization) و تعریف گاردریل‌های سخت‌گیرانه در پیام سیستم ✅
- مخفی کردن پرامپت از دید کاربر
- افزایش قیمت اشتراک سرویس
- تفاوت اصلی Prompt Engineering با Fine-tuning در چیست؟
- پرامپت بر تغییر وزن‌های مدل تمرکز دارد اما Fine-tuning بر متن ورودی
- پرامپت تغییر در نحوه فراخوانی دانش موجود مدل است، در حالی که Fine-tuning اصلاح پارامترهای مدل با داده‌های جدید است ✅
- پرامپت فقط برای زبان انگلیسی است اما Fine-tuning برای همه زبان‌ها
- هزینه اجرای پرامپت بسیار بیشتر از Fine-tuning است
- تفاوت اصلی تکنیک Tree of Thoughts (ToT) با روش Chain of Thought (CoT) در پردازش مسائل پیچیده چیست؟
- ToT فقط برای تولید کد برنامه‌نویسی استفاده می‌شود
- ToT برخلاف CoT که مسیری خطی دارد، امکان جستجو در چندین شاخه استدلال و بازگشت به عقب (Backtracking) را فراهم می‌کند ✅
- CoT نیاز به مدل‌های بزرگتر دارد در حالی که ToT روی مدل‌های کوچک اجرا می‌شود
- ToT تنها برای مدل‌های تولید تصویر کاربرد دارد
- در حوزه امنیت پرامپت، تکنیک Token Smuggling (قاچاق توکن) معمولاً با چه روشی برای دور زدن فیلترها انجام می‌شود؟
- افزایش تعداد کلمات پرامپت تا ۱۰۰ هزار کلمه
- استفاده از کدگذاری‌هایی مانند Base64 یا تقطیع کلمات ممنوعه به تکه‌های کوچک برای فریب دادن گاردریل‌ها ✅
- حذف کامل فعل‌ها از متن پرامپت
- استفاده از فونت‌های فانتزی در فایل‌های ورد ارسالی
- مفهوم Soft Prompting در مقایسه با Hard Prompting به چه پدیده‌ای اشاره دارد؟
- استفاده از کلمات محترمانه در هنگام نوشتن پرامپت
- یادگیری بردارهای عددی (Prompt Tuning) در فضای نهفته مدل به جای نوشتن پرامپت‌های متنی صریح ✅
- کوتاه کردن پرامپت برای کاهش هزینه
- استفاده از شکلک‌ها برای انتقال بهتر مفهوم به هوش مصنوعی
- در متدولوژی Graph of Thoughts (GoT)، مفاهیم چگونه مدل‌سازی می‌شوند؟
- به صورت یک لیست ساده از دستورات پشت سر هم
- به صورت یک شبکه یا گراف که در آن ایده‌ها (گره‌ها) می‌توانند با هم ترکیب، تکرار یا اصلاح شوند ✅
- به صورت یک فایل متنی غیرقابل ویرایش
- به صورت مجموعه‌ای از تصاویر سیاه و سفید
- استفاده از تکنیک XML-based Prompting عمدتاً برای حل چه مشکلی در خروجی مدل‌های زبانی پیشنهاد می‌شود؟
- افزایش سرعت تایپ مدل
- افزایش ساختارپذیری خروجی و جلوگیری از تداخل دستورالعمل‌ها با محتوای ورودی در APIها ✅
- حذف نیاز به اینترنت برای اجرای هوش مصنوعی
- تبدیل متن به صدا با کیفیت بالاتر
- معیار METEOR در ارزیابی خروجی پرامپت‌ها چه برتری نسبت به معیار ROUGE دارد؟
- فقط تعداد کلمات را می‌شمارد
- از ریشه کلمات (Stemming) و مترادف‌ها برای ارزیابی دقیق‌تر تشابه معنایی استفاده می‌کند ✅
- هزینه استفاده از مدل را محاسبه می‌کند
- میزان مصرف باتری سرور را نشان می‌دهد
- در مهندسی پرامپت برای تولید موسیقی (Text-to-Music)، پارامتر BPM چگونه در پرامپت اعمال می‌شود؟
- با نوشتن نام آهنگسازان مشهور
- با تعیین صریح عدد ضرب‌آهنگ در دقیقه برای کنترل ریتم و سرعت قطعه تولیدی ✅
- با استفاده از کلمات توصیفی مانند “خیلی سریع” بدون عدد
- با آپلود کردن یک تصویر از پیانو
- تکنیک “Contrastive Prompting” با چه رویکردی باعث بهبود دقت مدل می‌شود؟
- با ارائه مثال‌های مثبت (آنچه باید انجام شود) در کنار مثال‌های منفی (آنچه نباید انجام شود) ✅
- با استفاده از رنگ‌های متضاد در رابط کاربری
- با پرسیدن سوالات متوالی از کاربر
- با ترجمه پرامپت به زبان‌های باستانی
- در طراحی ایجنت‌های هوش مصنوعی، مفهوم “Prompt Versioning” در محیط‌های عملیاتی (Production) به چه معناست؟
- تغییر نام مدل هوش مصنوعی در هر بار استفاده
- ردیابی، ذخیره‌سازی و مدیریت تغییرات در متن پرامپت‌ها برای تست A/B و بازگشت به نسخه‌های بهینه قبلی ✅
- حذف پرامپت‌های قدیمی از حافظه سیستم
- استفاده از آخرین نسخه نرم‌افزار ورد برای نوشتن پرامپت
- پدیده Sycophancy (تملق) در مدل‌های زبانی که مهندسان پرامپت باید از آن جلوگیری کنند، به چه معناست؟
- تمایل مدل به تأیید نظرات اشتباه کاربر صرفاً به دلیل اینکه کاربر آن‌ها را بیان کرده است ✅
- سرعت پایین مدل در پاسخ به سوالات فلسفی
- تمایل مدل به استفاده از کلمات تخصصی پزشکی
- قطع شدن ناگهانی ارتباط مدل با سرور
- محاسبات پنجره توجه: اگر مدلی دارای پنجره توجه ۸۱۹۲ توکن باشد و یک پرامپت سیستمی ثابت ۱۰۲۴ توکنی داشته باشیم، برای یک گفتگوی دوطرفه که در هر نوبت مجموعاً ۵۱۲ توکن مصرف می‌شود، بعد از چند نوبت گفتگو (رفت و برگشت)، مدل شروع به فراموش کردن ابتدای مکالمه می‌کند؟
- ۷ نوبت
- ۱۴ نوبت ✅
- ۲۰ نوبت
- ۲۸ نوبت
- محاسبات هزینه بهینه‌سازی: اگر هزینه مدل پایه ۰۱,۰ دلار به ازای هر ۱۰۰۰ توکن باشد و استفاده از تکنیک “Prompt Compression” باعث کاهش ۳۰ درصدی حجم پرامپت‌های ۵۰۰۰ توکنی شود، در اجرای ۲۰۰۰ درخواست، چقدر در هزینه‌ها صرفه‌جویی می‌شود؟
- ۱۵ دلار
- ۳۰ دلار ✅
- ۴۵ دلار
- ۶۰ دلار
- محاسبات توان عملیاتی (Throughput): اگر سروری بتواند در هر ثانیه ۴۰۰ توکن تولید کند و میانگین پاسخ‌های مورد نیاز کاربر ۲۰۰ توکن باشد، این سرور به طور همزمان به چند کاربر می‌تواند در هر ثانیه پاسخ کامل بدهد؟
- ۱ کاربر
- ۲ کاربر ✅
- ۴ کاربر
- ۸ کاربر
- محاسبات توکن‌گذاری زبان: اگر یک متن انگلیسی با ۱۰۰۰ کلمه حدود ۱۳۰۰ توکن مصرف کند و همان متن با ترجمه فارسی به دلیل تفاوت توکنایزر ۳۲۰۰ توکن مصرف کند، ضریب افزایش هزینه برای زبان فارسی نسبت به انگلیسی در این مدل چقدر است؟
- ۵,۱ برابر
- ۴۶,۲ برابر ✅
- ۲,۳ برابر
- ۱,۴ برابر
- مفهوم “Reasoning Path” در خروجی‌های Chain of Thought به چه چیزی اشاره دارد؟
- آدرس فایل‌های ذخیره شده در کامپیوتر
- توالی منطقی گام‌هایی که مدل برای رسیدن از صورت سوال به پاسخ نهایی طی می‌کند ✅
- سریع‌ترین راه برای بستن پنجره چت
- لیست خطاهایی که در هنگام اجرای کد رخ داده است
- در تکنیک Program-Aided Language Models (PAL)، نقش پرامپت چیست؟
- وادار کردن مدل به نوشتن یک داستان کوتاه
- هدایت مدل برای تولید کد (مثلاً پایتون) جهت انجام محاسبات و سپس اجرای آن کد برای رسیدن به پاسخ دقیق ریاضی ✅
- جلوگیری از ورود کاربران غیرمجاز به سیستم
- ترجمه خودکار متون به زبان‌های ماشین
- استفاده از “Temperature Decay” در پرامپت‌های طولانی و چند مرحله‌ای چه کاربردی دارد؟
- سرد کردن دمای قطعات سخت‌افزاری سرور
- کاهش تدریجی خلاقیت و افزایش تمرکز مدل بر روی حقایق در انتهای یک متن طولانی ✅
- افزایش سرعت اینترنت کاربر
- تغییر رنگ محیط کاربری از قرمز به آبی
- در مدل‌های تولید تصویر، استفاده از “Attention Maps” در متن پرامپت به مهندس پرامپت چه کمکی می‌کند؟
- افزایش رزولوشن تصویر به ۸K
- درک اینکه مدل بر روی کدام کلمات پرامپت تمرکز بیشتری داشته و کدام بخش‌ها را نادیده گرفته است ✅
- چاپ مستقیم تصویر بر روی کاغذ
- کاهش زمان انتظار برای تولید تصویر
- تکنیک “Self-Consistency” چگونه نتایج حاصل از پرامپت‌های استدلالی را بهبود می‌بخشد؟
- با پرسیدن سوال از کاربر درباره صحت پاسخ
- با تولید چندین مسیر استدلال مختلف و انتخاب پرتکرارترین (اجماع) پاسخ نهایی ✅
- با حذف کلمات تکراری از خروجی
- با استفاده از یک مدل کوچک‌تر برای تایید مدل بزرگتر
- “System Fingerprint” در پاسخ‌های API که تحت تأثیر پرامپت است، نشان‌دهنده چیست؟
- اثر انگشت کاربر برای امنیت
- شناسه پیکربندی زیرساخت مدل که به مهندس پرامپت کمک می‌کند تغییرات در رفتار مدل ناشی از بروزرسانی‌های سیستمی را ردیابی کند ✅
- تعداد کلماتی که توسط مدل تولید شده است
- نام شرکت سازنده مانیتور کاربر
- در طراحی قالب‌های پرامپت (Prompt Templates)، استفاده از “تزریق متغیر (Variable Injection)” با چه هدفی انجام می‌شود؟
- افزایش خلاقیت مدل در تولید متن‌های داستانی
- ایجاد ساختار پویا جهت جایگذاری داده‌های مختلف کاربر در یک دستورالعمل ثابت و تکرارپذیر ✅
- جلوگیری از اتمام توکن‌های حافظه مدل
- تغییر خودکار زبان پاسخ‌دهی بر اساس موقعیت جغرافیایی
- معیار Perplexity (سرگشتگی) در ارزیابی خروجی یک پرامپت، نشان‌دهنده کدام ویژگی مدل است؟
- میزان سرعت مدل در تولید کلمات
- میزان عدم قطعیت یا شک مدل در پیش‌بینی توکن بعدی (هرچه کمتر باشد، مدل نسبت به پاسخ خود مطمئن‌تر است) ✅
- تعداد کلمات تکراری در متن خروجی
- میزان شباهت خروجی مدل به متن‌های انسانی
- تکنیک Step-back Prompting در حل مسائل پیچیده منطقی به چه صورت عمل می‌کند؟
- از مدل می‌خواهد که پاسخ را از انتها به ابتدا بنویسد
- مدل را وادار می‌کند ابتدا به یک سوال انتزاعی‌تر و کلی‌تر (یک گام به عقب) پاسخ دهد تا اصول پایه را استخراج و سپس مسئله اصلی را حل کند ✅
- مدل را مجبور می‌کند که از کلمات ساده‌تر استفاده کند
- باعث می‌شود مدل بعد از هر جمله یک بار مکث کند
- در مدل‌های تولید تصویر (مانند Midjourney)، پارامتر Stylize (یا –s) چه تأثیری بر اجرای پرامپت دارد؟
- رزولوشن تصویر خروجی را افزایش می‌دهد
- تعادل بین وفاداری به متن پرامپت و اعمال زیبایی‌شناسی هنری خود مدل را تنظیم می‌کند ✅
- تعداد اشیاء موجود در تصویر را کم و زیاد می‌کند
- فرمت فایل خروجی را از PNG به JPG تغییر می‌دهد
- حمله Adversarial Prompting در سیستمهای هوش مصنوعی به چه معناست؟
- طراحی پرامپت‌هایی که باعث افزایش سرعت پاسخ‌دهی می‌شوند
- تلاش برای فریب دادن مدل جهت نادیده گرفتن محدودیت‌های اخلاقی و تولید محتوای غیرمجاز یا استخراج داده‌های حساس ✅
- استفاده از کلمات مترادف برای بهبود کیفیت متن
- ارسال پرامپت‌های همزمان توسط چندین کاربر
- تکنیک Active Prompting در فرآیند یادگیری مدل چه تفاوتی با سایر روش‌ها دارد؟
- مدل را همیشه در حالت آماده‌باش نگه می‌دارد
- از مدل می‌خواهد عدم قطعیت خود را اعلام کند تا مهندس پرامپت فقط برای موارد سخت، مثال‌های آموزشی (Few-shot) جدید بنویسد ✅
- مصرف انرژی سرور را بهینه می‌کند
- باعث می‌شود مدل به صورت صوتی با کاربر صحبت کند
- در پرامپت‌های تولید ویدیو، استفاده از Motion Bucket ID به چه منظوری است؟
- انتخاب رنگ پس‌زمینه ویدیو
- کنترل شدت و میزان حرکت اجزاء در ویدیو (اعداد بالاتر معمولاً حرکت بیشتری ایجاد می‌کنند) ✅
- تعیین زمان دقیق شروع و پایان موسیقی متن
- فشرده‌سازی حجم فایل ویدیویی خروجی
- مفهوم Hallucination Snowballing در زنجیره‌سازی پرامپت‌ها (Prompt Chaining) به چه پدیده‌ای اشاره دارد؟
- افزایش دقت مدل در مراحل پایانی
- وضعیتی که در آن یک اشتباه کوچک (توهم) در پرامپت‌های اولیه، در مراحل بعدی بزرگتر شده و کل خروجی را به انحراف می‌کشاند ✅
- سفید شدن رنگ پس‌زمینه در تصاویر تولیدی
- تولید پاسخ‌های بسیار کوتاه و مختصر
- در استفاده از مدل‌های زبانی برای استخراج داده (Data Extraction)، تعیین خروجی به فرمت JSON Schema چه مزیتی دارد؟
- حجم توکن‌های خروجی را به شدت کاهش می‌دهد
- امکان یکپارچه‌سازی مستقیم و بدون خطا با سایر نرم‌افزارها و پایگاه‌های داده را فراهم می‌کند ✅
- باعث می‌شود هوش مصنوعی باهوش‌تر عمل کند
- نیاز به استفاده از دستورات سیستم (System Message) را حذف می‌کند
- تفاوت خروجی پرامپت در مدل‌های Encoder-only نسبت به Decoder-only در چیست؟
- مدل‌های Encoder-only برای تولید متن‌های طولانی و خلاقانه مناسب‌تر هستند
- مدل‌های Encoder-only بیشتر برای درک متن و برچسب‌گذاری (مانند پرامپت‌های دسته‌بندی) استفاده می‌شوند ✅
- مدل‌های Decoder-only هیچ حافظه‌ای ندارند
- مدل‌های Encoder-only فقط با اعداد کار می‌کنند
- در سیستمهای RAG، استفاده از تکنیک “Recursive Character Text Splitting” در آماده‌سازی داده برای پرامپت چه نقشی دارد؟
- متن را به قطعاتی با اندازه ثابت تقسیم می‌کند تا به صورت بهینه در پنجره بافت پرامپت جا شوند ✅
- تمام کلمات فارسی را به انگلیسی ترجمه می‌کند
- عکس‌های موجود در متن را حذف می‌کند
- فونت متن را برای مدل بهینه می‌کند
- اگر بخواهیم مدلی را وادار کنیم در پاسخ به یک پرامپت، از “استدلال معکوس” استفاده کند، کدام دستور مؤثرتر است؟
- “پاسخ را به زبان ساده بنویس”
- “از نتیجه نهایی شروع کن و گام‌هایی که منجر به این نتیجه شده است را به عقب بازسازی کن” ✅
- “پاسخ را در ۵ سطر بنویس”
- “از کلمات تخصصی استفاده نکن”
- محاسبات هزینه عملیاتی: اگر هزینه ورودی هر ۱ میلیون توکن ۵ دلار و هزینه خروجی ۱۵ دلار باشد، برای پرامپتی که ۲۰۰۰ توکن ورودی دارد و منجر به ۵۰۰ توکن خروجی می‌شود، هزینه یک بار اجرا چقدر است؟
- ۰۱۷۵,۰ دلار ✅
- ۰۳۵,۰ دلار
- ۰۵,۰ دلار
- ۱,۰ دلار
- محاسبات پنجره بافت: در صورتی که یک مدل دارای محدودیت ۸۰۰۰ توکن باشد و کاربر بخواهد سندی با ۵۰۰۰ توکن را تحلیل کند، اگر سیستم بخواهد ۱۰ نوبت چت قبلی (هر نوبت میانگین ۴۰۰ توکن) را هم حفظ کند، چند توکن از ظرفیت پرامپت سرریز (Overflow) می‌شود؟
- ۱۰۰۰ توکن ✅
- ۲۰۰۰ توکن
- ۳۰۰۰ توکن
- ۴۰۰۰ توکن
- محاسبات نرخ تولید: اگر یک مدل با سرعت ۲۰ توکن بر ثانیه خروجی تولید کند، تولید یک گزارش متنی که حاصل یک پرامپت “تولید محتوای طولانی” است و ۱۵۰۰ کلمه (تقریباً ۲۰۰۰ توکن) دارد، چند دقیقه طول می‌کشد؟
- ۱ دقیقه
- ۶,۱ دقیقه ✅
- ۳ دقیقه
- ۵ دقیقه
- محاسبات بهره‌وری (Efficiency): اگر با تغییر ساختار پرامپت از “توضیحی” به “لیستی”، تعداد توکن‌های خروجی از ۸۰۰ به ۳۰۰ کاهش یابد بدون اینکه اطلاعات مهم حذف شود، در ۱۰۰۰ فراخوانی چند توکن صرفه‌جویی شده است؟
- ۰۰۰,۱۰۰ توکن
- ۰۰۰,۳۰۰ توکن
- ۰۰۰,۵۰۰ توکن ✅
- ۰۰۰,۸۰۰ توکن
- در مهندسی پرامپت، مفهوم “Context Window Sliding” به چه معناست؟
- تغییر اندازه پنجره چت در مرورگر کاربر
- جابجا کردن محدوده متن ورودی در پرامپت‌های بسیار طولانی برای حفظ مرتبط‌ترین اطلاعات اخیر و حذف داده‌های قدیمی ✅
- افزایش سرعت اینترنت برای آپلود فایل‌ها
- استفاده از تصاویر متحرک در پرامپت
- تکنیک Constitutional AI در طراحی پرامپت‌های سیستمی بر چه اساسی عمل می‌کند؟
- مدل بر اساس یک قانون اساسی یا مجموعه‌ای از اصول اخلاقی تعریف شده در پرامپت، پاسخ‌های خود را نقد و اصلاح می‌کند ✅
- مدل فقط به سوالات مربوط به حقوق و سیاست پاسخ می‌دهد
- از مدل خواسته می‌شود پاسخ‌ها را به صورت رسمی و اداری بنویسد
- مدل فقط برای دولت‌ها طراحی شده است
- استفاده از “Metadata Filtering” در پرامپت‌های متصل به پایگاه داده برداری (Vector DB) چه کاربردی دارد؟
- تغییر رنگ فونت خروجی
- محدود کردن جستجوی معنایی به دسته‌بندی‌های خاص (مانند زمان یا نویسنده) پیش از ارسال نتایج به مدل زبانی ✅
- حذف خودکار توکن‌های تکراری
- افزایش خلاقیت مدل در پاسخ‌دهی
- در مدل‌های چندوجهی (Multimodal)، مفهوم “Cross-modal Retrieval” در پرامپت‌نویسی به چه معناست؟
- استفاده از یک پرامپت متنی برای جستجو و بازیابی مرتبط‌ترین تصویر یا ویدیو از یک بانک اطلاعاتی ✅
- تبدیل همزمان متن به ۱۰ زبان مختلف
- استفاده از هوش مصنوعی بدون نیاز به برق
- تایپ کردن با استفاده از صدا
- ساختار بهینه یک پرامپت مؤثر برای به حداقل رساندن تولید خروجی غیر مرتبط چگونه تعریف می‌شود؟
- استفاده از کلمات مبهم و کلی
- دقت در بیان هدف به طور شفاف و مشخص بودن خواسته‌ها ✅
- افزودن جملات طولانی و توضیحی فراوان
- تکرار کل اطلاعات داده شده
- در مهندسی پرامپت، استفاده از چند نمونه (Few-shot Learning) چه تأثیری بر عملکرد مدل دارد؟
- کاهش طول پاسخ‌ها
- بهبود دقت مدل در تولید پاسخ‌ها با ارائه مثال‌های مرتبط ✅
- افزایش مصرف حافظه به صورت غیرقابل کنترل
- حذف نیاز به ورودی‌های متنی
- طراحی پرامپت در تولید محتوای صوتی چه چالشی نسبت به متنی دارد؟
- امکان تعریف مستقیم متغیرها در پرامپت صوتی وجود ندارد
- نیاز به تمرکز بیشتر بر دامنه فرکانس و طول کلام خروجی است ✅
- مدل صوتی همیشه پاسخ کوتاه‌تر می‌دهد
- پرامپت صوتی فقط در محیط‌های آفلاین کاربرد دارد
- استفاده از متغیرهای شرطی (Conditional Variables) در پرامپت چه مزیتی دارد؟
- امکان شخصی‌سازی خروجی با توجه به شرایط خاص ورودی ✅
- باعث کاهش هزینه پردازش مدل می‌شود
- موجب طولانی‌تر شدن زمان پاسخ‌گویی می‌شود
- فقط در مدل‌های کوچک قابل استفاده است
- محاسبه نرخ مصرف توکن: اگر یک پرامپت ورودی ۱۲۰۰ توکن داشته باشد و مدل در پاسخ ۳۰۰ توکن تولید کند و هزینه هر هزار توکن ۰/۰۲ دلار باشد، هزینه کل چقدر است؟
- ۰/۰۳ دلار
- ۰/۰۹ دلار
- ۰/۰۶ دلار ✅
- ۰/۰۲ دلار
- در پرامپت‌نویسی برای تولید محتوای تصویری، چه عاملی بیشترین تأثیر را در کیفیت نهایی تصویر دارد؟
- انتخاب درست پارامترهای کنتراست و اشباع رنگ ✅
- افکت گذاری بعدی روی عکس
- استفاده از جملات کوتاه در پرامپت متنی
- نوع مدل گرافیکی مورد استفاده بدون توجه به پرامپت
- مفهوم “توانمندسازی مدل (Empowerment)” در مهندسی پرامپت به چه معناست؟
- دادن آزادی کامل به مدل برای تولید بیت‌های تصادفی
- تنظیم پرامپت به گونه‌ای که مدل ضمن محدودیت، گزینه‌های خلاقانه بیشتری داشته باشد ✅
- افزایش طول پرامپت به بیش از ۵۰۰۰ توکن
- کاهش پارامترهای ورودی برای افزایش سرعت
- در بهبود پرامپت، تکنیک “بازنویسی تدریجی (Iterative Refinement)” چیست؟
- حذف کلمات اضافی از پرامپت به‌صورت خودکار
- اصلاح مکرر پرامپت بر اساس بازخورد خروجی مدل تا رسیدن به جواب بهینه ✅
- تغییر مدل AI به نسخه جدید
- افزودن نمونه‌های بیشتری از داده
- در تولید ویدیو با پرامپت، اگر نسبت تصویر (Aspect Ratio) نامناسب باشد، چه مشکلی پیش می‌آید؟
- فایل ویدیو خراب می‌شود
- عناصر نمایشگریده شده در فریم‌ها دچار برش یا کشیدگی می‌شوند ✅
- صدا از ویدیو حذف می‌شود
- مدت زمان ویدیو به‌طور تصادفی کمتر می‌شود
- محاسبه زمان تأخیر پاسخ: اگر یک مدل بتواند ۳۰ توکن در ثانیه تولید کند و یک خروجی پرامپت ۱۵۰۰ توکن نیاز دارد، زمان تقریبی تولید پاسخ چقدر است؟
- ۵۰ ثانیه ✅
- ۴۵ ثانیه
- ۶۰ ثانیه
- ۴۰ ثانیه
- استفاده از پرامپت چندوجهی (Multimodal Prompting) چه فرصتی برای مهندسی پرامپت فراهم می‌آورد؟
- تنها تولید متن با کیفیت بالاتر
- ترکیب ورودی‌های متنی، تصویری و صوتی برای تولید خروجی‌های متنوع‌تر و دقیق‌تر ✅
- کاهش میزان پردازش مدل به نصف
- حذف نیاز به ورودی صوتی
- روند “پرامپت چک و اصلاح (Prompt Verification and Correction)” چه تفاوتی با یک بار نوشتن پرامپت دارد؟
- فقط برای کاهش تعداد توکن‌ها کاربرد دارد
- شامل پرسش دوباره از مدل برای بررسی صحت و بهبود پاسخ اولیه است ✅
- به کاربر اجازه نمی‌دهد متن اولیه را ببیند
- به جای مدل، باید توسط انسان بررسی شود
- در استفاده از پرامپت‌های پیچیده، کدام عامل بیشترین خطر تولید “هالوسینیشن” (Hallucination) را دارد؟
- تعداد زیاد نمونه‌های آموزشی
- عدم وضوح در تعریف هدف پرامپت و محدود نبودن فضای پاسخ ✅
- کوتاهی پرامپت و استفاده از عبارات عام
- استفاده از مدل‌های زبانی کوچک
- در طراحی قالب پرامپت، کدام گزینه بیشترین کمک را به سهولت جایگذاری متغیرها می‌کند؟
- استفاده از نحو خاص با {} یا [[]] برای متغیرها ✅
- افزایش تعداد خطوط پرامپت
- حذف نمونه‌های ورودی
- استفاده از جملات طولانی توضیحی
- اگر یک پرامپت شامل ۴۲۰۰ توکن ورودی باشد و مدل دارای ظرفیت ۴۰۰۰ توکن است، برای جلوگیری از سرریز پنجره بافت (Context Overflow) چه راهی مناسب است؟
- کاهش طول پرامپت با خلاصه‌سازی یا حذف بخش‌های غیرضروری ✅
- افزایش تعداد توکن‌ها با افزودن جملات تکراری
- استفاده از مدل دیگری با ظرفیت کمتر
- افزایش نرخ دمای خروجی
- محاسبه درصد کاهش هزینه: اگر با بهینه‌سازی پرامپت، شمار توکن‌ها از ۱۰۰۰۰ به ۷۵۰۰ کاهش یابد، درصد صرفه‌جویی هزینه چقدر است؟
- ۲۰ درصد
- ۲۵ درصد ✅
- ۳۰ درصد
- ۳۵ درصد
- کاربرد “پرامپت پیش‌نگر (Look-ahead Prompt)” چیست؟
- تعیین اینکه متن خروجی مدل باید چه مفاهیمی را در مراحل بعدی شامل شود قبل از شروع تولید ✅
- حذف خروجی‌های اضافی مدل
- ذخیره پرامپت برای آینده
- افزایش سرعت پردازش مدل
- در کاربردهای تولید محتوا با پرامپت، عملکرد “کنترل وضوح (Clarity Control)” مرتبط با چه چیزی است؟
- افزایش تعداد واژه‌های پیچیده در متن خروجی
- تنظیم اندازه و دقت توضیحات داده شده در پرامپت برای جلوگیری از ابهام در پاسخ ✅
- کاهش نویز صوتی در خروجی
- تعیین رنگ متن خروجی
- در کاربردهایی که نیاز به تولید چندین پاسخ متفاوت از یک پرامپت داریم، کدام پارامتر مدل بیشترین نقش را بازی می‌کند؟
- Temperature (دمای مدل) ✅
- تعداد لایه‌ها
- اندازه مجموعه داده آموزش
- زمان آموزش مدل
- فرض کنید هزینه هر ۱۰۰۰ توکن ورودی ۰/۰۱۵ دلار و هر ۱۰۰۰ توکن خروجی ۰/۰۴ دلار است. پرامپتی با ۱۸۰۰ توکن ورودی و ۷۰۰ توکن خروجی اجرا شده است. هزینه کل اجرای پرامپت چقدر است؟
- ۰/۰۹ دلار
- ۰/۰۸ دلار
- ۰/۱۱ دلار ✅
- ۰/۰۷ دلار
