A.Mỗi token tương ứng đúng một ký tự trong câu đầu vào
B.Chuỗi ngẫu nhiên dùng để xác thực khi gọi API, giống API key
C.Mỗi token tương ứng đúng một từ, tách theo dấu cách
D.Mảnh văn bản dưới mức từ mà model thực sự xử lý
Đáp án: D
Token là mảnh văn bản mà model xử lý, thường nhỏ hơn một từ. Tiếng Anh trung bình khoảng 4 ký tự một token; tiếng Việt có dấu tốn nhiều token hơn đáng kể. Mọi giới hạn context và mọi hóa đơn API đều tính theo token, cả đầu vào lẫn đầu ra.
A.Khoảng thời gian model ghi nhớ cuộc hội thoại trước khi tự quên
B.Số lượng người dùng có thể gọi API đồng thời trên cùng một tài khoản
C.Tổng token tối đa cho một lần gọi, tính cả prompt lẫn phần sinh ra
D.Kích thước tối đa của file có thể tải lên
Đáp án: C
Context window là ngân sách token cho một lần gọi, gồm cả prompt và phần model sinh ra. Model KHÔNG tự nhớ hội thoại — muốn nó biết những gì đã trao đổi thì ứng dụng phải gửi lại lịch sử trong mỗi request, và lịch sử đó cũng ăn vào ngân sách này.
Tham số temperature ảnh hưởng thế nào tới kết quả sinh ra?
A.Nó giới hạn độ dài câu trả lời
B.Điều chỉnh mức ngẫu nhiên khi chọn token tiếp theo
C.Nó bật/tắt việc model được phép tra cứu thông tin bên ngoài
D.Nó quyết định model suy nghĩ bao lâu trước khi trả lời
Đáp án: B
Temperature điều chỉnh độ ngẫu nhiên khi chọn token kế tiếp. Gần 0 thì model gần như luôn chọn token khả dĩ nhất — hợp cho trích xuất dữ liệu, phân loại, sinh JSON. Cao hơn thì đa dạng hơn — hợp cho viết sáng tạo, brainstorm.
Embedding là gì và dùng để làm gì trong ứng dụng AI?
A.Đoạn mã nhúng để gắn chatbot vào website
B.Bản nén của văn bản, giải nén lại được nguyên văn khi cần
C.Bộ trọng số của model sau khi fine-tune trên dữ liệu riêng của công ty
D.Vector số biểu diễn ngữ nghĩa; nghĩa gần nhau thì vector gần nhau
Đáp án: D
Embedding là vector số (thường vài trăm tới vài nghìn chiều) biểu diễn ý nghĩa của văn bản. Văn bản gần nghĩa cho vector gần nhau, đo bằng cosine similarity. Nhờ đó tìm được "hoàn tiền thế nào" khi tài liệu viết "chính sách hoàn trả" — điều mà tìm theo từ khóa không làm được.
A.Lỗi kỹ thuật khi API quá tải, trả về nội dung rác không đọc được
B.Model sinh thông tin nghe hợp lý nhưng sai hoặc bịa
C.Hiện tượng model từ chối trả lời vì bộ lọc an toàn
D.Việc model trả lời chậm hơn bình thường khi prompt quá dài
Đáp án: B
Hallucination là khi model sinh ra nội dung nghe thuyết phục nhưng sai sự thật hoặc bịa hoàn toàn — trích dẫn không tồn tại, API không có thật, số liệu tự nghĩ ra. Nguyên nhân gốc: model được huấn luyện để sinh văn bản có xác suất cao, chứ không phải để tra cứu sự thật.
A.System prompt được xử lý nhanh hơn vì nội dung của nó không tính vào token
B.System prompt chỉ đặt được một lần lúc tạo tài khoản API
C.Hai loại hoàn toàn tương đương, chỉ khác tên gọi trong API
D.System prompt đặt vai trò/quy tắc cho cả hội thoại, do ứng dụng kiểm soát
Đáp án: D
System prompt do ứng dụng viết, đặt vai trò và quy tắc chung; model được huấn luyện để ưu tiên nó. User prompt đến từ người dùng ở từng lượt. Ranh giới này quan trọng về bảo mật: nội dung người dùng luôn phải coi là không đáng tin.
Model đa phương thức (multimodal) khác model chỉ xử lý văn bản ở điểm nào?
A.Nó hỗ trợ nhiều ngôn ngữ tự nhiên hơn
B.Nó tạo ra được ảnh từ mô tả văn bản
C.Nhận cả ảnh cùng văn bản trong một prompt; ảnh cũng tính thành token
D.Nó chạy được trên nhiều loại phần cứng khác nhau, kể cả máy tính cá nhân
Đáp án: C
Model đa phương thức nhận ảnh kèm văn bản trong cùng một prompt. Ảnh được chia thành các mảnh và mã hóa thành token — một ảnh độ phân giải cao có thể tốn cả nghìn token, nên nó ăn vào context window và vào hóa đơn như văn bản.
A.Thời endpoint của dữ liệu dùng để huấn luyện model
B.Thời điểm nhà cung cấp ngừng hỗ trợ phiên bản model đó
C.Giới hạn số token tối đa mà model xử lý được trong một lần gọi API
D.Ngưỡng độ tin cậy mà dưới đó model từ chối trả lời
Đáp án: A
Cutoff là mốc thời gian cuối của dữ liệu huấn luyện. Sự kiện sau mốc đó model không biết — và nguy hiểm ở chỗ nó thường không nói "tôi không biết" mà bịa ra thứ nghe hợp lý. Cần thông tin mới thì phải cấp qua RAG hoặc tool tìm kiếm.
Câu trả lời của model bị cắt cụt giữa chừng. Nguyên nhân thường gặp nhất là gì?
A.Kết nối mạng bị đứt giữa chừng khi đang nhận phản hồi
B.Đạt giới hạn max_tokens đặt cho lần gọi
C.Model hết context window nên tự dừng
D.Bộ lọc an toàn chặn phần còn lại
Đáp án: B
Gần như luôn là do max_tokens. Response có trường cho biết lý do dừng — giá trị báo "đạt giới hạn độ dài" khác hẳn với "model tự kết thúc". Ứng dụng nên đọc trường này để biết câu trả lời có trọn vẹn hay không.
A.Nó chuyển request sang model nhỏ hơn khi phát hiện câu hỏi đơn giản
B.Phần đầu prompt lặp y hệt được cache và tính giá thấp hơn
C.Nó nén prompt lại để tốn ít token hơn
D.Nó lưu lại câu trả lời để lần sau hỏi giống hệt thì trả về ngay
Đáp án: B
Nhà cung cấp cache phần ĐẦU prompt khi nó giống hệt giữa các request và tính giá thấp hơn đáng kể cho phần đó. Điều kiện: phần cache phải nằm ở đầu và trùng khớp chính xác — nên xếp nội dung cố định lên trước, phần thay đổi xuống sau.
Ứng dụng chat gửi tin nhắn thứ 10, model vẫn hiểu ngữ cảnh trước đó. Vì sao?
A.Nhà cung cấp lưu ngữ cảnh trong bộ nhớ đệm của họ
B.Model học dần từ các cuộc hội thoại đã diễn ra trước đó
C.Ứng dụng gửi lại toàn bộ lịch sử mỗi lần
D.Model lưu lịch sử hội thoại theo mã phiên của người dùng
Đáp án: C
Vì ứng dụng gửi lại toàn bộ lịch sử trong mỗi lời gọi. Model không lưu trạng thái giữa các lần gọi, nên mọi thứ nó cần biết phải nằm trong chính yêu cầu đó.
Token đầu vào và token đầu ra được tính giá thế nào?
A.Token đầu vào đắt hơn vì phải xử lý cả ngữ cảnh dài
B.Giá tính theo số lời gọi chứ không theo số token
C.Token đầu ra đắt hơn, thường gấp vài lần
D.Hai loại token có đơn giá hoàn toàn giống nhau
Đáp án: C
Token đầu ra đắt hơn, thường gấp vài lần. Lý do là sinh từng token phải chạy model lần lượt cho mỗi bước, còn toàn bộ đầu vào được xử lý song song trong một lượt.
Cùng một prompt gọi hai lần cho ra hai câu trả lời khác nhau. Vì sao?
A.Nhà cung cấp đã cập nhật phiên bản model giữa hai lời gọi
B.Hai lời gọi được định tuyến tới hai máy chủ khác nhau
C.Model lấy mẫu ngẫu nhiên từ phân bố xác suất
D.Model học thêm từ lời gọi trước đó của cùng người dùng
Đáp án: C
Vì model lấy mẫu ngẫu nhiên từ phân bố xác suất ở mỗi bước sinh, thay vì luôn chọn token có khả năng cao nhất. Đặt tham số điều khiển về không sẽ giảm mạnh sự khác biệt nhưng không bảo đảm giống hệt.
Cùng một đoạn văn, bản tiếng Việt tốn nhiều token hơn bản tiếng Anh. Vì sao?
A.Bộ tách token được huấn luyện chủ yếu trên tiếng Anh
B.Tiếng Việt có nhiều từ hơn khi diễn đạt cùng nội dung
C.Model xử lý ngôn ngữ không phải tiếng Anh theo cách khác
D.Dấu thanh trong tiếng Việt được lưu thành ký tự riêng biệt
Đáp án: A
Vì bộ tách token được huấn luyện chủ yếu trên tiếng Anh. Từ tiếng Anh phổ biến thường gói gọn trong một token, còn chữ tiếng Việt có dấu hay bị tách thành nhiều mảnh — thường tốn gấp rưỡi tới gấp đôi.
Ứng dụng React gọi thẳng API của nhà cung cấp LLM từ trình duyệt. Vấn đề là gì?
A.Phản hồi dạng luồng không xử lý được ở phía trình duyệt
B.Trình duyệt không gọi được API bên ngoài do chính sách bảo mật
C.Độ trễ cao hơn so với gọi qua máy chủ trung gian
D.Khoá API bị lộ cho bất kỳ ai mở trang
Đáp án: D
Khoá API bị lộ cho bất kỳ ai mở trang. Mọi thứ gửi xuống trình duyệt đều đọc được, nên người khác lấy khoá đó gọi API và chi phí tính vào tài khoản của bạn. Lời gọi phải đi qua máy chủ của mình.
C.Tỉ lệ phần trăm ý nghĩa trùng nhau giữa hai đoạn
D.Khoảng cách đường thẳng giữa hai điểm trong không gian
Đáp án: A
Nó đo góc giữa hai vector, không quan tâm độ dài. Nhờ vậy hai đoạn cùng chủ đề nhưng khác độ dài vẫn cho giá trị cao. Giá trị gần một là rất giống, gần không là không liên quan.
Gọi model bằng tên dạng latest thay vì phiên bản cố định có rủi ro gì?
A.Chi phí mỗi token cao hơn so với phiên bản cố định
B.Lời gọi có độ trễ cao hơn do phải phân giải tên
C.Hành vi đổi khi nhà cung cấp cập nhật model
D.Không dùng được các tính năng mới của phiên bản mới
Đáp án: C
Hành vi đổi khi nhà cung cấp cập nhật model, không báo trước và không do bạn triển khai gì. Prompt đã tinh chỉnh cho phiên bản cũ có thể cho kết quả khác hẳn, và định dạng đầu ra cũng có thể lệch.
Nó dừng việc sinh khi gặp chuỗi đã khai báo, và chuỗi đó không xuất hiện trong kết quả trả về. Hữu ích khi đầu ra có cấu trúc lặp và cần cắt đúng chỗ, hoặc khi model hay viết thêm phần thừa.
Model tính sai một phép nhân nhiều chữ số. Cách xử lý đúng ở tầng sản phẩm?
A.Hạ tham số ngẫu nhiên xuống mức thấp nhất
B.Cho model gọi công cụ tính toán thay vì tự tính
C.Ghi trong prompt yêu cầu model tính toán cẩn thận
D.Chuyển sang một model lớn hơn và mạnh hơn
Đáp án: B
Cho model gọi công cụ tính toán thay vì tự tính. Model sinh văn bản theo xác suất chứ không thực hiện phép tính, nên với các con số quan trọng, giao việc cho mã chạy thật là cách duy nhất đáng tin.
Ghép nội dung người dùng vào prompt bằng nối chuỗi có rủi ro gì?
A.Prompt vượt quá giới hạn độ dài cho phép của model
B.Nội dung của người dùng làm hỏng cú pháp của prompt
C.Nhà cung cấp từ chối các prompt được ghép động
D.Người dùng chèn được chỉ dẫn ghi đè prompt gốc
Đáp án: D
Người dùng chèn được chỉ dẫn ghi đè prompt gốc. Model không phân biệt được đâu là chỉ dẫn hệ thống và đâu là dữ liệu, nên một câu như bỏ qua mọi hướng dẫn phía trên cũng được xem là chỉ dẫn thật.
RAG (Retrieval-Augmented Generation) giải quyết vấn đề gì?
A.Cho model đọc dữ liệu nó chưa từng học qua đoạn truy hồi đưa vào prompt
B.Nó huấn luyện lại model trên dữ liệu công ty để model thuộc lòng nội dung
C.Nó tăng tốc độ trả lời bằng cách cache câu hỏi thường gặp
D.Nó nén prompt lại để tiết kiệm token
Đáp án: A
RAG đưa tri thức mà model không có vào lúc chạy: tìm đoạn tài liệu liên quan tới câu hỏi rồi chèn vào prompt. Nhờ đó model trả lời được về dữ liệu nội bộ và dữ liệu mới, trích dẫn được nguồn, và cập nhật tri thức chỉ cần cập nhật kho tài liệu.
Trong hệ RAG, vì sao chiến lược cắt tài liệu (chunking) lại quan trọng?
A.Chunking chỉ ảnh hưởng tốc độ lập chỉ mục, không ảnh hưởng chất lượng trả lời
B.Không quan trọng — vector database tự tối ưu kích thước chunk
C.Chunk càng nhỏ càng tốt vì tiết kiệm chi phí embedding
D.Chunk là đơn vị truy hồi: quá nhỏ mất ngữ cảnh, quá to thì vector loãng
Đáp án: D
Chunk vừa là thứ được embed vừa là thứ được đưa vào prompt. Quá nhỏ thì mất ngữ cảnh và câu trả lời bị cụt; quá to thì vector đại diện cho quá nhiều ý nên tìm kém chính xác, đồng thời tốn token. Cắt theo ranh giới ngữ nghĩa tốt hơn cắt theo số ký tự cố định.
Function calling (tool use) hoạt động như thế nào?
A.Đây là tính năng chỉ hoạt động với model đã fine-tune riêng cho từng hàm
B.Ứng dụng gửi mã nguồn hàm lên và model biên dịch rồi chạy
C.Model tự kết nối internet và chạy hàm trên máy chủ của nhà cung cấp
D.Model trả về ý định gọi hàm; ứng dụng thực thi rồi gửi kết quả lại
Đáp án: D
Ứng dụng khai báo hàm kèm JSON schema. Model quyết định có cần gọi hàm nào không và sinh ra tham số. Ứng dụng tự thực thi rồi trả kết quả về; model dùng kết quả đó để soạn câu trả lời. Model không bao giờ tự chạy code — mọi hành động đều do ứng dụng quyết định.
A.Gửi cùng một câu hỏi vài lần rồi lấy câu trả lời xuất hiện nhiều nhất
B.Huấn luyện lại model trên vài mẫu dữ liệu để cập nhật trọng số
C.Chia nhỏ câu hỏi phức tạp thành nhiều lượt gọi API liên tiếp
D.Đưa vài ví dụ vào–ra mẫu vào prompt để model suy ra khuôn mẫu
Đáp án: D
Few-shot là đưa vài cặp ví dụ đầu vào–đầu ra vào prompt để model bắt chước khuôn mẫu. Hiệu quả nhất khi cần định dạng đầu ra nhất quán hoặc khi tác vụ có quy ước riêng khó diễn đạt. Trọng số model không hề thay đổi — mọi thứ chỉ nằm trong context.
A.Cách lưu lịch sử hội thoại để model nhớ được lâu hơn
B.Kỹ thuật nén prompt bằng cách bỏ bớt từ không cần thiết
C.Nối nhiều lời gọi API lại, đầu ra của lời gọi này là đầu vào của lời gọi kia
D.Yêu cầu model trình bày các bước suy luận trước khi kết luận
Đáp án: D
Chain-of-thought là yêu cầu model viết ra các bước suy luận trước khi kết luận, thay vì trả lời thẳng. Với bài toán nhiều bước, tỉ lệ đúng tăng đáng kể. Cái giá là đầu ra dài hơn nên đắt hơn và chậm hơn — không đáng dùng cho tác vụ đơn giản.
Prompt injection là gì và vì sao khó chống triệt để?
A.Kẻ tấn công chèn mã SQL vào prompt để truy cập database của model
B.Lỗi khi prompt vượt quá context window nên bị cắt mất phần đầu
C.Nhét chỉ dẫn vào phần dữ liệu để ghi đè ý định ban đầu
D.Việc nhà cung cấp tự thêm chỉ dẫn ẩn vào prompt của bạn
Đáp án: C
Prompt injection là nhét chỉ dẫn vào nơi đáng lẽ chỉ là dữ liệu, khiến model làm theo ý kẻ tấn công. Khó chống vì với model, chỉ dẫn và dữ liệu đều chỉ là văn bản — không có ranh giới cứng như giữa code và data trong SQL prepared statement.
A.Truy hồi càng nhiều đoạn đưa vào prompt thì câu trả lời càng chính xác
B.Hybrid search (ngữ nghĩa + từ khoá) thường tốt hơn chỉ dùng một loại
C.Hệ RAG chạy kém thường do khâu truy hồi trả sai đoạn, không phải do model
D.Lọc theo quyền phải làm TRƯỚC bước truy hồi, không nhờ prompt
Đáp án: A
Gỡ lỗi RAG bắt đầu từ khâu truy hồi. Hybrid search bù được điểm yếu của embedding với thông tin cần khớp chính xác. Phân quyền phải lọc trước khi truy hồi. Và nhiều đoạn hơn không đồng nghĩa với tốt hơn — nhiễu làm giảm chất lượng.
Đánh giá (evaluation) một ứng dụng LLM: cách làm nào là đúng?
A.Cần bộ test case cố định có đáp án mong đợi, chạy lại mỗi khi đổi prompt
B.Với RAG chỉ cần đo chất lượng câu trả lời cuối, không cần đo khâu truy hồi
C.Thử vài câu hỏi thấy trả lời hay là đủ để kết luận hệ thống hoạt động tốt
D.LLM-as-judge chấm chính xác hơn người nên không cần đối chiếu với đánh giá tay
Đáp án: A
Cần bộ eval cố định chạy lại mỗi lần đổi prompt hoặc model. LLM-as-judge dùng được cho tiêu chí khó chấm máy nhưng phải hiệu chuẩn với người. Hệ RAG phải đo riêng truy hồi và sinh. Thử tay vài câu không phải đánh giá.
Vì sao ứng dụng chat với LLM gần như luôn dùng streaming?
A.Vì streaming rẻ hơn, nhà cung cấp tính giá thấp hơn cho request dạng stream
B.Model sinh token tuần tự; stream giúp thấy chữ hiện ra gần như tức thì
C.Vì streaming làm model sinh nhanh hơn hẳn so với gọi thường
D.Vì không stream thì bị giới hạn độ dài câu trả lời ở mức rất thấp
Đáp án: B
Streaming không làm model nhanh hơn, nhưng đưa chữ đầu tiên tới người dùng sớm hơn rất nhiều. Chỉ số quan trọng ở đây là thời gian tới token đầu tiên (TTFT). Chờ 8 giây màn hình trắng và thấy chữ chạy sau 0.5 giây là hai trải nghiệm hoàn toàn khác nhau.
Dự án đã dùng PostgreSQL. Có nhất thiết phải thêm một vector database riêng cho RAG không?
A.Bắt buộc phải có vector database chuyên dụng, database quan hệ không lưu vector được
B.Bắt buộc, vì tìm kiếm ngữ nghĩa không thể thực hiện bằng SQL
C.Không — extension vector của PostgreSQL đủ cho phần lớn quy mô
D.Không cần lưu vector — chỉ cần lưu văn bản rồi tính embedding mỗi lần truy vấn
Đáp án: C
Không bắt buộc. pgvector cho PostgreSQL lưu và đánh index vector, đủ cho hàng trăm nghìn tới vài triệu đoạn. Lợi thế lớn nhất là lọc theo quyền và join với dữ liệu nghiệp vụ trong cùng một truy vấn — điều mà tách hai hệ thống làm phức tạp hơn nhiều.
B.Tìm trong hai cơ sở dữ liệu vector khác nhau rồi so sánh
C.Tìm theo vector và tìm theo từ khoá, rồi gộp thứ hạng
D.Tìm bằng model nhỏ rồi xác nhận lại bằng model lớn
Đáp án: C
Tìm theo vector ngữ nghĩa và tìm theo từ khoá, rồi gộp thứ hạng của hai bên. Tìm theo vector bỏ sót các truy vấn chứa mã sản phẩm, tên riêng hay thuật ngữ hiếm — vốn là chỗ tìm theo từ khoá làm tốt nhất.
Reranking trong pipeline RAG đặt ở bước nào và làm gì?
A.Sau truy hồi, chấm lại độ liên quan của top-K bằng model đọc cả cặp
B.Trong lúc sinh, chọn token tiếp theo theo thứ hạng
C.Trước truy hồi, sắp xếp lại các đoạn trong cơ sở dữ liệu
D.Sau khi model sinh, sắp xếp lại các câu trong câu trả lời
Đáp án: A
Sau bước truy hồi: lấy khoảng hai mươi tới năm mươi kết quả đầu và cho một mô hình chuyên dụng chấm lại độ liên quan. Nó đọc cả truy vấn và tài liệu cùng lúc nên chính xác hơn nhiều so với việc so hai vector đã tính sẵn.
Đánh giá chất lượng truy hồi trong RAG nên dùng chỉ số nào?
A.Recall@K và precision của đoạn truy hồi, tách khỏi chất lượng câu trả lời
B.Độ dài trung bình của các đoạn được truy hồi
C.Thời gian truy hồi trung bình mỗi truy vấn
D.Chỉ cần đánh giá câu trả lời cuối cùng vì đó là thứ người dùng thấy
Đáp án: A
Các chỉ số về truy hồi riêng: tỉ lệ đoạn đúng nằm trong K kết quả đầu, và tỉ lệ đoạn trả về thật sự liên quan. Tách khỏi chất lượng câu trả lời — nếu không thì không biết lỗi nằm ở khâu tìm hay khâu sinh.
Query rewriting trước khi truy hồi giải quyết vấn đề gì?
A.Câu hỏi phụ thuộc ngữ cảnh hội thoại không tự đứng một mình được
B.Câu hỏi có lỗi chính tả làm truy hồi thất bại
C.Câu hỏi quá dài vượt giới hạn của model embedding
D.Câu hỏi bằng ngôn ngữ khác với tài liệu trong kho
Đáp án: A
Các câu hỏi phụ thuộc ngữ cảnh hội thoại không tự đứng một mình được. Một câu tiếp nối như "còn cái kia thì sao" không mang đủ thông tin để tìm tài liệu — cần viết lại thành một câu hỏi đầy đủ trước khi truy hồi.
Structured output (JSON schema) khác việc yêu cầu model trả JSON trong prompt thế nào?
A.Nó kiểm tra tính đúng đắn về nội dung của giá trị trả về
B.Nó cho phép model trả về nhiều định dạng cùng lúc
C.Nó nhanh hơn vì model không phải suy nghĩ về định dạng
D.Nó ràng buộc ở tầng decoding nên đầu ra luôn hợp lệ về cấu trúc
Đáp án: D
Nó ràng buộc ở tầng giải mã: mô hình chỉ được chọn các token dẫn tới một cấu trúc hợp lệ. Yêu cầu bằng lời chỉ là gợi ý — mô hình vẫn có thể trả JSON thiếu ngoặc, kèm lời dẫn, hoặc thiếu trường.
Đặt tài liệu tham chiếu ở đầu hay cuối prompt thì tốt hơn?
A.Luôn đặt ở đầu vì model đọc tuần tự từ trên xuống
B.Luôn đặt ở cuối để gần câu hỏi nhất
C.Đầu hoặc cuối đều tốt hơn giữa — model chú ý ít nhất vào phần giữa
D.Vị trí không ảnh hưởng vì model xử lý toàn bộ context như nhau
Đáp án: C
Đầu hoặc cuối đều tốt hơn phần giữa. Hiện tượng này được gọi là mất mát ở giữa: mô hình chú ý nhiều nhất tới phần đầu và phần cuối của ngữ cảnh, còn thông tin ở giữa dễ bị bỏ qua — và nó rõ rệt hơn khi ngữ cảnh càng dài.
Prompt cho một tính năng sản phẩm nên quản lý thế nào?
A.Lưu trong database để sửa nhanh mà không cần deploy
B.Để trong code như một chuỗi và sửa khi thấy kết quả chưa tốt
C.Sinh tự động bằng một model khác dựa trên mô tả yêu cầu
D.Đưa vào version control và có bộ eval chạy khi thay đổi
Đáp án: D
Đưa vào quản lý phiên bản như mã nguồn, và có một bộ đánh giá chạy khi thay đổi. Sửa một câu trong lời nhắc có thể làm hỏng các trường hợp khác — không có bộ đánh giá thì không ai phát hiện cho tới khi người dùng phàn nàn.
Mô tả (description) của một tool ảnh hưởng thế nào tới chất lượng agent?
A.Không đáng kể vì model tự suy ra từ tên hàm
B.Chỉ ảnh hưởng tới tài liệu cho lập trình viên
C.Rất lớn — model chọn tool dựa chủ yếu vào mô tả và tên tham số
D.Chỉ ảnh hưởng khi có nhiều hơn mười tool
Đáp án: C
Rất lớn. Mô hình chọn công cụ chủ yếu dựa vào mô tả và tên tham số — đó là toàn bộ thông tin nó có. Mô tả mơ hồ khiến nó gọi sai công cụ hoặc truyền tham số không đúng ý.
Multi-agent (nhiều agent phối hợp) đáng dùng khi nào?
A.Khi các phần việc thật sự tách rời và chạy song song được
B.Khi context window của một agent không đủ
C.Luôn tốt hơn một agent vì mỗi agent chuyên một việc
D.Khi cần chạy nhanh hơn vì các agent chia tải
Đáp án: A
Khi các phần việc thật sự tách rời và chạy song song được — ví dụ nghiên cứu ba chủ đề độc lập rồi tổng hợp. Chia nhỏ mà các phần vẫn phụ thuộc nhau chỉ thêm độ trễ, thêm chi phí, và thêm chỗ để mất ngữ cảnh.
Agent cần nhớ thông tin qua nhiều phiên làm việc thì làm thế nào?
A.Lưu ra ngoài và truy hồi lại — context window không phải bộ nhớ dài hạn
B.Model tự nhớ vì nó học từ các cuộc hội thoại trước
C.Dùng model có context window lớn hơn để chứa hết lịch sử
D.Fine-tune model với dữ liệu của từng người dùng
Đáp án: A
Lưu ra một kho bên ngoài và truy hồi lại khi cần. Ngữ cảnh chỉ tồn tại trong một lời gọi — mô hình không nhớ gì giữa các lần gọi, và trọng số của nó không thay đổi theo hội thoại.
Dùng LLM làm giám khảo (LLM-as-judge) để đánh giá có đáng tin không?
A.Chỉ đáng tin khi dùng cùng model với model đang được đánh giá
B.Không đáng tin chút nào; chỉ con người mới đánh giá được
C.Đáng tin ở mức tương đối, nhưng phải hiệu chỉnh với đánh giá của người
D.Hoàn toàn đáng tin vì model khách quan hơn con người
Đáp án: C
Đáng tin ở mức tương đối và rất hữu ích để chạy tự động ở quy mô lớn — nhưng phải hiệu chỉnh bằng cách so với đánh giá của người trên một mẫu. Giám khảo có các thiên lệch riêng đã được nghiên cứu ghi nhận.
Model trả lời sai nhưng nghe rất tự tin. Xử lý ở tầng sản phẩm thế nào?
A.Hạ temperature xuống 0 để model không bịa nữa
B.Buộc trích dẫn nguồn, hiển thị nguồn, và cho phép người dùng kiểm chứng
C.Dùng model lớn hơn vì model lớn ít bịa hơn
D.Thêm câu yêu cầu model không được bịa vào system prompt
Đáp án: B
Thiết kế sản phẩm để người dùng kiểm chứng được: buộc mô hình trích dẫn nguồn, hiển thị đoạn nguồn kèm liên kết, và làm rõ khi hệ thống không tìm được thông tin. Người dùng không phân biệt được câu đúng và câu bịa nếu cả hai trình bày như nhau.
A.Số token vào và ra, với token ra thường đắt hơn nhiều lần
B.Chi phí fine-tune model ban đầu
C.Dung lượng lưu trữ của cơ sở dữ liệu vector
D.Số lượng request, không phụ thuộc độ dài
Đáp án: A
Số token đầu vào và đầu ra, với token đầu ra thường đắt hơn nhiều lần. Khoản chi phí âm thầm lớn nhất thường là một lời nhắc hệ thống dài gửi kèm mọi request, nhân với số request mỗi ngày.
Xử lý rate limit và lỗi tạm thời từ API của nhà cung cấp LLM thế nào?
A.Thử lại với độ trễ tăng dần kèm nhiễu, và có dự phòng
B.Thử lại ngay lập tức cho tới khi thành công
C.Báo lỗi cho người dùng và để họ tự thử lại
D.Tăng hạn mức bằng cách nâng gói dịch vụ
Đáp án: A
Thử lại với độ trễ tăng dần kèm nhiễu ngẫu nhiên, và có phương án dự phòng — một mô hình khác hoặc một nhà cung cấp khác. Thử lại ngay lập tức làm nhiều client cùng gửi lại một lúc và kéo dài tình trạng quá tải.
A.Nó chỉ dùng được cho model nhỏ dưới một tỉ tham số
B.Nó chạy lúc suy luận thay vì lúc huấn luyện
C.Nó huấn luyện toàn bộ model nhưng với dữ liệu ít hơn
D.Chỉ huấn luyện một tập trọng số nhỏ thêm vào, rẻ và nhanh hơn nhiều
Đáp án: D
Nó chỉ huấn luyện một tập trọng số nhỏ thêm vào thay vì cập nhật toàn bộ mô hình. Nhờ đó một máy đơn lẻ đủ để tinh chỉnh, và nhiều bản tinh chỉnh khác nhau dùng chung một mô hình gốc.
B.Một cái làm phẳng phân phối xác suất; cái kia cắt bớt đuôi phân phối
C.Một cái dùng cho văn bản; cái kia cho mã nguồn
D.Một cái ảnh hưởng tốc độ; cái kia ảnh hưởng độ dài
Đáp án: B
Một tham số làm phẳng hoặc làm nhọn phân phối xác suất trước khi chọn. Tham số kia cắt bớt đuôi: chỉ giữ các token có tổng xác suất đạt một ngưỡng rồi chọn trong đó. Chỉnh cả hai cùng lúc làm tác động khó đoán.
Chi phí và độ trễ của một model tăng theo độ dài context như thế nào?
A.Cả hai tăng theo bình phương độ dài
B.Cả hai không đổi vì model xử lý song song toàn bộ context
C.Chi phí không đổi; chỉ độ trễ tăng
D.Chi phí tăng tuyến tính; độ trễ đầu tiên tăng theo độ dài input
Đáp án: D
Chi phí tăng tuyến tính theo số token. Độ trễ tới token đầu tiên tăng theo độ dài đầu vào, còn tốc độ sinh các token sau thì tương đối ổn định. Nhồi cả trăm nghìn token làm thời gian chờ ban đầu tăng rõ rệt.
Đổi model embedding cho một kho tài liệu đã đánh chỉ mục thì phải làm gì?
A.Chuyển đổi vector cũ sang không gian mới bằng một phép biến đổi
B.Chỉ cần tính vector mới cho các tài liệu thêm sau đó
C.Tính lại toàn bộ vector — vector của hai model không so sánh được
D.Không cần làm gì vì các model embedding đều tương thích
Đáp án: C
Tính lại toàn bộ vector. Mỗi mô hình có không gian vector riêng, nên vector của hai mô hình không so sánh được — kể cả khi cùng số chiều. Trộn lẫn cho kết quả truy hồi vô nghĩa.
Tài liệu nguồn thay đổi thường xuyên thì đồng bộ sang vector store thế nào?
A.Theo dõi thay đổi và chỉ tính lại các đoạn bị ảnh hưởng
B.Không cần đồng bộ vì model đã học nội dung tài liệu
C.Đánh chỉ mục lại toàn bộ kho theo lịch hằng đêm
D.Xoá vector cũ và để hệ thống tự tính lại khi có truy vấn
Đáp án: A
Theo dõi thay đổi ở nguồn và chỉ tính lại các đoạn bị ảnh hưởng. Đánh chỉ mục lại toàn bộ mỗi lần vừa tốn kém vừa để lại khoảng thời gian dữ liệu không nhất quán giữa hai lần chạy.
Self-host một model mã nguồn mở thay vì gọi API đánh đổi gì?
A.Không cần lo về độ trễ vì chạy trong hạ tầng của mình
B.Chất lượng luôn tốt hơn vì tuỳ chỉnh được
C.Luôn rẻ hơn vì không phải trả tiền cho nhà cung cấp
D.Kiểm soát dữ liệu và chi phí ổn định, đổi lại phải tự vận hành GPU
Đáp án: D
Được kiểm soát dữ liệu, chi phí ổn định theo thời gian chạy, và không phụ thuộc nhà cung cấp. Đổi lại phải tự vận hành hạ tầng GPU — và chi phí đó tính theo giờ bất kể có request hay không.
Chọn model cho một tính năng nên dựa trên tiêu chí nào?
A.Chọn model có điểm cao nhất trên các benchmark công khai
B.Luôn chọn model mới nhất của nhà cung cấp lớn nhất
C.Đo trên bộ eval của chính bài toán, cân với chi phí và độ trễ
D.Chọn model có context window lớn nhất
Đáp án: C
Đo trên bộ đánh giá của chính bài toán, rồi cân với chi phí và độ trễ. Thứ hạng trên các bài kiểm chuẩn chung nói rất ít về hiệu quả trên nhiệm vụ cụ thể — và với nhiều nhiệm vụ, một mô hình nhỏ đạt kết quả tương đương.
Gửi dữ liệu khách hàng tới API LLM cần chuẩn bị gì về pháp lý và kỹ thuật?
A.Chỉ cần mã hoá dữ liệu trên đường truyền
B.Rà soát điều khoản lưu trữ, che dữ liệu, báo người dùng
C.Không cần gì vì nhà cung cấp lớn đều tuân thủ quy định
D.Chỉ cần ký hợp đồng với nhà cung cấp là đủ
Đáp án: B
Ba việc: rà soát điều khoản về lưu trữ và sử dụng dữ liệu của nhà cung cấp, che hoặc loại bỏ dữ liệu nhạy cảm trước khi gửi, và thông báo minh bạch cho người dùng. Một số gói giữ lại dữ liệu để cải thiện mô hình trừ khi bạn chọn không tham gia.
Prompt hoạt động tốt với model A nhưng kém với model B. Nguyên nhân thường là gì?
A.Mỗi model được huấn luyện với định dạng và phong cách hướng dẫn khác nhau
B.Prompt quá dài nên model B bỏ qua phần cuối
C.Model B có context window nhỏ hơn nên không đọc hết prompt
D.Model B chưa được huấn luyện trên lĩnh vực đó
Đáp án: A
Mỗi mô hình được huấn luyện với định dạng và phong cách hướng dẫn khác nhau, nên một lời nhắc đã được tinh chỉnh cho mô hình này không mang sang được mô hình khác. Cần điều chỉnh và đánh giá lại khi đổi.
A.Càng nhiều ví dụ càng tốt để model học được nhiều
B.Đa dạng, bao gồm cả trường hợp biên, và định dạng nhất quán
C.Chỉ chọn các ví dụ điển hình nhất, tránh trường hợp lạ
D.Chọn ngẫu nhiên từ dữ liệu thật để tránh thiên lệch
Đáp án: B
Đa dạng để phủ các dạng đầu vào khác nhau, bao gồm cả trường hợp biên và trường hợp mà câu trả lời đúng là từ chối, và định dạng đầu ra hoàn toàn nhất quán giữa các ví dụ.
Model reasoning (o-series, thinking mode) khác model thường thế nào?
A.Sinh thêm chuỗi suy luận nội bộ trước khi trả lời, tốn token và thời gian hơn
B.Chúng trả lời nhanh hơn vì đã tối ưu quá trình sinh
C.Chúng truy cập được Internet để tra cứu thông tin
D.Chúng được huấn luyện trên nhiều dữ liệu hơn nên biết nhiều hơn
Đáp án: A
Chúng sinh thêm một chuỗi suy luận nội bộ trước khi đưa ra câu trả lời. Nhờ đó mạnh hơn rõ rệt ở toán, lập trình và suy luận nhiều bước — đổi lại tốn nhiều token hơn và chậm hơn đáng kể.
Tính năng AI nên thiết kế trải nghiệm thế nào khi model không chắc chắn?
A.Hiển thị điểm số xác suất thô cho người dùng tự đánh giá
B.Nói rõ mức độ chắc chắn và cho đường thoát sang con người
C.Ẩn tính năng đi khi model không chắc chắn
D.Luôn đưa ra một câu trả lời để trải nghiệm liền mạch
Đáp án: B
Nói rõ mức độ chắc chắn bằng ngôn ngữ người dùng hiểu, và luôn có đường thoát sang con người hoặc sang tài liệu gốc. Trình bày một phỏng đoán như một sự thật làm người dùng mất niềm tin khi họ phát hiện nó sai.
Streaming response từ LLM cần xử lý gì ở phía backend?
A.Chờ nhận đủ rồi gửi một lần để bảo đảm toàn vẹn
B.Chuyển sang WebSocket vì HTTP không truyền được luồng
C.Chuyển tiếp từng chunk tới client và xử lý được việc client ngắt giữa chừng
D.Lưu toàn bộ phản hồi vào database trước khi gửi
Đáp án: C
Chuyển tiếp từng mảnh tới client ngay khi nhận được, và huỷ lời gọi tới nhà cung cấp khi client ngắt kết nối. Không huỷ thì vẫn bị tính tiền cho phần token được sinh ra mà không ai đọc.
Hội thoại dài làm context phình to. Cách xử lý nào giữ được chất lượng?
A.Cắt bỏ các lượt cũ nhất khi vượt giới hạn
B.Chỉ giữ lượt cuối cùng vì đó là câu hỏi hiện tại
C.Chuyển sang model có context window lớn hơn
D.Tóm tắt các lượt cũ và giữ nguyên vài lượt gần nhất
Đáp án: D
Tóm tắt các lượt cũ thành một đoạn ngắn và giữ nguyên vài lượt gần nhất. Cắt cứng các lượt cũ làm mất thông tin quan trọng đã nêu ở đầu — tên, yêu cầu, ràng buộc — và mô hình quên mất bối cảnh.
A.Trong system prompt bằng cách nêu rõ các quy tắc
B.Không cần vì các nhà cung cấp đã có bộ lọc riêng
C.Ở tầng ứng dụng, kiểm tra đầu ra trước khi hiển thị hoặc thực thi
D.Ở tầng model bằng cách fine-tune với dữ liệu an toàn
Đáp án: C
Ở tầng ứng dụng: kiểm tra đầu ra bằng mã trước khi hiển thị hoặc thực thi. Hướng dẫn trong lời nhắc chỉ là gợi ý mà mô hình có thể vi phạm — chỉ mã kiểm tra mới là ràng buộc thật sự.
A.Xem các đoạn được truy hồi — đoạn đúng có trong đó không
B.Tăng số đoạn được truy hồi lên
C.Sửa prompt để yêu cầu model cẩn thận hơn
D.Đổi sang model mạnh hơn để nó trả lời tốt hơn
Đáp án: A
Xem các đoạn được truy hồi: đoạn chứa câu trả lời đúng có nằm trong đó không. Nếu không có, vấn đề ở tầng truy hồi và sửa lời nhắc bao nhiêu cũng vô ích. Nếu có mà vẫn trả lời sai thì vấn đề ở tầng sinh.
Deploy một thay đổi prompt lên production nên theo quy trình nào?
A.Chạy eval, phát hành dần cho một phần người dùng, theo dõi chỉ số
B.Phát hành cho toàn bộ người dùng để thu thập phản hồi nhanh nhất
C.Chỉ cần một người trong nhóm thử vài câu rồi phát hành
D.Sửa trực tiếp trên production vì prompt không phải code
Đáp án: A
Chạy bộ đánh giá tự động, phát hành dần cho một phần người dùng, và theo dõi các chỉ số chất lượng. Một thay đổi cải thiện trên bộ đánh giá vẫn có thể làm tệ đi ở các trường hợp bộ đánh giá chưa phủ.
Trích xuất dữ liệu có cấu trúc từ tài liệu bằng LLM nên thiết kế thế nào?
A.Fine-tune một model riêng cho từng loại tài liệu
B.Structured output theo schema, kèm validate và bước con người rà các trường quan trọng
C.Yêu cầu model trả JSON trong prompt rồi parse kết quả
D.Trích xuất từng trường bằng một lời gọi riêng để chính xác nhất
Đáp án: B
Dùng cơ chế đầu ra có cấu trúc theo lược đồ, xác thực giá trị sau khi nhận, và có bước con người rà các trường quan trọng. Cấu trúc được bảo đảm nhưng nội dung từng trường thì không.
Tính năng tìm kiếm ngữ nghĩa khác tìm kiếm từ khoá ở trải nghiệm nào?
A.Luôn cho kết quả tốt hơn nên nên thay thế hoàn toàn
B.Không cần lập chỉ mục trước nên triển khai nhanh hơn
C.Tìm được theo ý nghĩa dù khác từ, nhưng khó đoán và khó giải thích hơn
D.Nhanh hơn vì không phải quét toàn bộ văn bản
Đáp án: C
Nó tìm được theo ý nghĩa dù người dùng dùng từ khác với tài liệu — nhưng khó đoán và khó giải thích hơn. Người dùng không hiểu vì sao một kết quả xuất hiện nên khó tinh chỉnh truy vấn khi kết quả không như ý.
Dữ liệu để fine-tune một model cần chuẩn bị thế nào?
A.Chỉ cần lấy log các cuộc hội thoại thật là đủ
B.Dùng một model khác sinh dữ liệu để tiết kiệm công sức
C.Càng nhiều dữ liệu càng tốt, chất lượng tính sau
D.Chất lượng cao và nhất quán quan trọng hơn số lượng lớn
Đáp án: D
Chất lượng cao và định dạng nhất quán quan trọng hơn số lượng. Vài trăm ví dụ được kiểm kỹ thường cho kết quả tốt hơn vài chục nghìn ví dụ lẫn lộn — vì dữ liệu kém dạy mô hình chính các mẫu sai đó.
Đo tác động thật của một tính năng AI lên sản phẩm bằng cách nào?
A.Phản hồi tích cực từ người dùng trong khảo sát
B.Số lượt sử dụng tính năng đó mỗi ngày
C.Điểm số trên bộ eval nội bộ
D.Chỉ số nghiệp vụ trong một thử nghiệm có nhóm đối chứng
Đáp án: D
Chỉ số nghiệp vụ trong một thử nghiệm có nhóm đối chứng: tỉ lệ hoàn thành tác vụ, thời gian hoàn thành, tỉ lệ chuyển sang hỗ trợ con người, hoặc doanh thu. Chỉ số về chất lượng đầu ra không nói được tính năng có tạo ra giá trị hay không.
Semantic caching cho ứng dụng LLM hoạt động thế nào?
A.Trả lại câu trả lời cũ khi câu hỏi mới đủ giống
B.Lưu lại phần đầu của prompt để nhà cung cấp xử lý nhanh hơn
C.Lưu embedding của tài liệu để không phải tính lại
D.Nén lịch sử hội thoại để giảm số token phải gửi
Đáp án: A
Nó trả lại câu trả lời cũ khi câu hỏi mới đủ giống — so bằng embedding thay vì so chuỗi. Nhờ đó các cách diễn đạt khác nhau của cùng một ý dùng chung được kết quả, tiết kiệm cả chi phí lẫn độ trễ.
Cần biết prompt có vượt context window trước khi gọi API. Làm thế nào?
A.Ước lượng bằng cách chia số ký tự cho bốn
B.Đếm token bằng thư viện tách token của model
C.Giới hạn số ký tự đầu vào ở giao diện người dùng
D.Gọi thử API rồi bắt lỗi nếu vượt giới hạn
Đáp án: B
Đếm token bằng thư viện tách token của chính model. Ước lượng theo số ký tự sai lệch nhiều với tiếng Việt, và gọi thử rồi bắt lỗi thì tốn một lời gọi thất bại cùng độ trễ tương ứng.
Người dùng đóng tab giữa lúc đang stream câu trả lời. Backend cần xử lý gì?
A.Huỷ lời gọi tới nhà cung cấp để không tốn thêm
B.Gửi lại toàn bộ câu trả lời khi người dùng quay lại
C.Lưu phần câu trả lời đã sinh vào lịch sử hội thoại
D.Ghi nhận sự kiện để phân tích hành vi người dùng
Đáp án: A
Huỷ lời gọi tới nhà cung cấp. Không huỷ thì model vẫn sinh tới hết và toàn bộ token đầu ra vẫn bị tính tiền dù không ai nhận. Cách làm là truyền tín hiệu huỷ của yêu cầu HTTP xuống lời gọi bên dưới.
Chọn model embedding 3072 chiều thay vì 768 chiều ảnh hưởng gì?
A.Tốn bộ nhớ và chậm hơn khi tìm kiếm
B.Bắt buộc phải dùng cùng model cho cả câu hỏi và tài liệu
C.Không dùng được với các chỉ mục xấp xỉ thông thường
D.Chất lượng truy hồi tăng theo tỉ lệ với số chiều
Đáp án: A
Tốn bộ nhớ gấp bốn lần và tìm kiếm chậm hơn, trong khi chất lượng truy hồi thường chỉ tốt hơn một chút. Với kho vài triệu tài liệu, khác biệt về chi phí hạ tầng là đáng kể.
Tài liệu nguồn là PDF có bảng biểu. Bước nào quan trọng nhất trước khi chunk?
A.Nén dung lượng file để giảm chi phí lưu trữ
B.Trích xuất giữ được cấu trúc của tài liệu
C.Chuyển toàn bộ nội dung về chữ thường trước khi xử lý
D.Dịch toàn bộ tài liệu sang một ngôn ngữ thống nhất
Đáp án: B
Trích xuất giữ được cấu trúc. Bảng bị đọc thành dòng văn bản lộn xộn sẽ mất quan hệ hàng cột, và không bước nào sau đó khôi phục được. Chất lượng của hệ truy hồi bị chặn ngay tại bước này.
Hệ RAG nên hiển thị nguồn trích dẫn cho câu trả lời không?
A.Chỉ cần khi hệ thống phục vụ lĩnh vực pháp lý hoặc y tế
B.Không cần, vì tài liệu nguồn đã được chọn lọc kỹ
C.Nên, vì người dùng kiểm chứng được câu trả lời
D.Không nên, vì làm câu trả lời dài và khó đọc hơn
Đáp án: C
Nên. Model vẫn có thể diễn giải sai tài liệu đúng, và trích dẫn cho phép người dùng tự kiểm chứng. Nó cũng giúp đội phát triển chẩn đoán: biết ngay lỗi nằm ở khâu truy hồi hay khâu sinh câu trả lời.
Nhà cung cấp LLM gặp sự cố toàn hệ thống. Thiết kế nào giữ được tính năng?
A.Tăng hạn thời gian chờ để lời gọi có thêm cơ hội
B.Chuyển sang nhà cung cấp dự phòng qua một lớp trừu tượng
C.Lưu trước câu trả lời cho mọi câu hỏi có thể gặp
D.Thử lại lời gọi nhiều lần cho tới khi thành công
Đáp án: B
Chuyển sang nhà cung cấp dự phòng qua một lớp trừu tượng chung. Mã ứng dụng gọi qua một giao diện thống nhất, nên việc đổi chỉ là đổi cấu hình thay vì viết lại tính năng giữa lúc sự cố.
Model trả về nhiều tool call trong cùng một lượt. Nên xử lý thế nào?
A.Chạy song song rồi trả về đủ kết quả
B.Chỉ chạy lời gọi đầu tiên rồi bỏ qua phần còn lại
C.Chạy lần lượt theo đúng thứ tự model trả về
D.Yêu cầu model chọn lại chỉ một công cụ duy nhất
Đáp án: A
Chạy song song rồi trả về đủ kết quả trong một lượt. Các lời gọi cùng lượt vốn độc lập, nên chạy tuần tự chỉ cộng dồn độ trễ. Phải trả kết quả cho mọi lời gọi, thiếu một cái là model không tiếp tục được.
Sản phẩm dùng model mạnh nhất cho mọi yêu cầu. Cách tối ưu hợp lý là gì?
A.Chuyển toàn bộ sang model nhỏ để giảm chi phí
B.Giảm độ dài câu trả lời tối đa xuống một nửa
C.Gộp nhiều yêu cầu của người dùng vào một lời gọi
D.Định tuyến theo độ khó của từng yêu cầu
Đáp án: D
Định tuyến theo độ khó: phân loại yêu cầu rồi gửi tác vụ đơn giản tới model nhỏ, chỉ giữ model mạnh cho các yêu cầu thực sự khó. Phần lớn lưu lượng thường là tác vụ đơn giản nên tiết kiệm rất đáng kể.
Cần chọn model cho sản phẩm tiếng Việt. Căn cứ nào đáng tin nhất?
A.Số lượng tham số được nhà cung cấp công bố
B.Đánh giá của cộng đồng trên các diễn đàn kỹ thuật
C.Thử trên bộ dữ liệu thật của chính sản phẩm
D.Bảng xếp hạng tổng hợp trên các trang so sánh model
Đáp án: C
Thử trên dữ liệu thật của chính sản phẩm với một bộ câu hỏi đại diện. Bảng xếp hạng chung đo tác vụ tổng quát và chủ yếu bằng tiếng Anh, nên chênh lệch ở đó không dự đoán được chất lượng cho lĩnh vực cụ thể.
