Gratis proefexamen — NCA-GENL

1. Wat is het kernmechanisme achter de transformer-architectuur die vrijwel alle moderne LLM’s gebruiken?

Attention: het model leert voor elk woord inschatten welke andere woorden in de tekst relevant zijn voor de betekenis Een vaste lijst van grammaticaregels die het model volgt Willekeurige woordselectie zonder enige context Een simpele zoekfunctie die exacte matches in trainingsdata vindt

2. Wat is zero-shot prompting?

Een taak aan een LLM voorleggen zonder enig voorbeeld, uitsluitend op basis van de instructie zelf Een model trainen zonder enige trainingsdata Een prompt die exact nul woorden bevat Een techniek die alleen werkt bij beeldgeneratie, nooit bij tekst

3. Wat is “multi-head attention”, en waarom wordt het gebruikt in plaats van single-head attention?

Meerdere parallelle attention-mechanismen die elk verschillende soorten relaties in de tekst kunnen leren herkennen, wat een rijker begrip oplevert Een technische term voor het gebruik van meerdere GPU's tijdens training Een methode om het aantal trainingsvoorbeelden te verminderen Een synoniem voor fine-tuning

4. Wanneer is few-shot prompting typisch effectiever dan zero-shot?

Wanneer een specifiek format, stijl of structuur gewenst is die lastig in woorden te beschrijven is, maar wel makkelijk te tonen Few-shot prompting is nooit effectiever dan zero-shot Alleen bij het genereren van afbeeldingen, nooit bij tekst Uitsluitend wanneer het model kleiner dan 1 miljard parameters is

5. Wat is chain-of-thought prompting?

Het model expliciet vragen om tussenstappen in zijn redenering te tonen vóórdat het een eindantwoord geeft Een techniek om meerdere modellen na elkaar te schakelen zonder tussenstappen te tonen Het combineren van meerdere losse prompts tot één lange prompt zonder enige structuur Een synoniem voor retrieval-augmented generation