Fine-tuning vs Prompting Interview Questions Hindi mein

Fine-tuning बनाम Prompting कोर्स के 27 सवाल, हर सवाल के सही जवाब और explanation के साथ। जवाब देखने से पहले ख़ुद सोचें।

Prompting, Retrieval और Fine-Tuning में चुनाव

1. ताज़े, बदलते तथ्य जोड़ने में कौन-सा उत्तोलक सबसे भरोसेमंद है?

  1. शैली पर लंबा prompt
  2. Fine-tuning
  3. Retrieval (RAG)
  4. Temperature बढ़ाना
जवाब देखें

जवाब: Retrieval (RAG)

Retrieval सवाल के समय वर्तमान, स्रोत-योग्य तथ्य लाता है।

पाठ: तीन उत्तोलक और हर एक क्या बदलता है

2. Fine-tuning से पहले prompting क्यों आज़माएँ?

  1. यह तेज़, सस्ती और पलटने योग्य है, और अक्सर काफ़ी है
  2. Fine-tuning की अनुमति नहीं
  3. Prompts मॉडल प्रशिक्षित करते हैं
  4. प्रयास में कोई अंतर नहीं
जवाब देखें

जवाब: यह तेज़, सस्ती और पलटने योग्य है, और अक्सर काफ़ी है

वह सबसे सस्ता क़दम उपयोग करें जो लक्ष्य पूरा करे।

पाठ: निर्णय सीढ़ी: पहले सबसे सस्ता प्रभावी क़दम

3. कौन-सा कार्य fine-tuning के लिए उपयुक्त है?

  1. ऐसा कार्य जिसकी सफलता मापी नहीं जा सकती
  2. आज सुबह की ख़बरों पर सवालों के उत्तर
  3. रोज़ बदलते तथ्य सीखना
  4. हज़ारों labelled उदाहरणों के साथ invoice fields को कड़े schema में निकालना
जवाब देखें

जवाब: हज़ारों labelled उदाहरणों के साथ invoice fields को कड़े schema में निकालना

संकरे, दोहराए, मापने योग्य कार्य जिनके पास भरपूर उदाहरण हों, प्रशिक्षण के लिए उपयुक्त हैं।

पाठ: Fine-Tuning कब सही औज़ार है

4. Break-even मात्रा से नीचे आम तौर पर कौन-सा विकल्प सस्ता है?

  1. Fine-tuning
  2. Prompting पर बने रहना
  3. दोनों की लागत ठीक समान
  4. दोनों की तुलना नहीं हो सकती
जवाब देखें

जवाब: Prompting पर बने रहना

कम मात्रा पर स्थिर प्रशिक्षण लागत वसूल नहीं होती।

पाठ: अर्थशास्त्र: Break-Even मात्रा

Prompting कहाँ तक जाती है

5. In-context learning का क्या अर्थ है?

  1. मॉडल रात भर दोबारा प्रशिक्षित होता है
  2. मॉडल prompt के उदाहरणों से पैटर्न के अनुसार ढलता है, कोई weights नहीं बदलते
  3. मॉडल live इंटरनेट पढ़ता है
  4. मॉडल अपना प्रशिक्षण भूल जाता है
जवाब देखें

जवाब: मॉडल prompt के उदाहरणों से पैटर्न के अनुसार ढलता है, कोई weights नहीं बदलते

Prompt के उदाहरण सिर्फ़ उसी call के लिए व्यवहार मोड़ते हैं।

पाठ: Few-Shot Prompting: In-Context Learning

6. Learning curve क्या सुझाती है?

  1. दोनों रेखाएँ समान हैं
  2. अधिक डेटा हमेशा नुक़सान करता है
  3. प्रशिक्षण कभी मदद नहीं करता
  4. प्रशिक्षित मॉडल वहाँ सुधरता रह सकता है जहाँ उदाहरण-मिलान चपटा हो जाता है
जवाब देखें

जवाब: प्रशिक्षित मॉडल वहाँ सुधरता रह सकता है जहाँ उदाहरण-मिलान चपटा हो जाता है

अपना वक्र जाँचें: डेटा के साथ सटीकता अब भी चढ़ती हो तो प्रशिक्षण फलदायी हो सकता है।

पाठ: Learning Curves: जब प्रशिक्षण prompt के उदाहरणों से आगे निकलता है

7. प्रशिक्षण के बिना लंबे निश्चित few-shot prompt की लागत क्या घटा सकता है?

  1. Prompt caching और प्रति अनुरोध सिर्फ़ सबसे प्रासंगिक उदाहरण चुनना
  2. उदाहरण लंबे करना
  3. मूल्यांकन set हटाना
  4. Temperature दोगुना करना
जवाब देखें

जवाब: Prompt caching और प्रति अनुरोध सिर्फ़ सबसे प्रासंगिक उदाहरण चुनना

सस्ती prompting अक्सर fine-tuning का लागत-तर्क हटा देती है।

पाठ: लंबे Prompts की लागत और Prompt Caching

Fine-Tuning कैसे काम करती है

8. SFT क्या optimise करती है?

  1. प्रति token क़ीमत
  2. User prompt की लंबाई
  3. Weights, वांछित उदाहरण आउटपुट पर loss घटाने के लिए
  4. GPU पंखे की गति
जवाब देखें

जवाब: Weights, वांछित उदाहरण आउटपुट पर loss घटाने के लिए

प्रशिक्षण weights को इस तरह समायोजित करता है कि लक्ष्य उत्तर अधिक संभावित हों।

पाठ: Supervised Fine-Tuning (SFT) सरल शब्दों में

9. अचानक उछलता loss आम तौर पर क्या सुझाता है?

  1. मॉडल सटीक है
  2. प्रशिक्षण पूरा हो गया
  3. Learning rate बहुत अधिक है (या डेटा/batch ख़राब है)
  4. GPU तेज़ है
जवाब देखें

जवाब: Learning rate बहुत अधिक है (या डेटा/batch ख़राब है)

Learning rate घटाएँ और डेटा व logs जाँचें।

पाठ: Learning Rate: सबसे संवेदनशील knob

10. LoRA क्या प्रशिक्षित करती है?

  1. जमा weights में जोड़े छोटे low-rank matrices
  2. मॉडल का हर weight
  3. सिर्फ़ tokenizer
  4. User interface
जवाब देखें

जवाब: जमा weights में जोड़े छोटे low-rank matrices

Adapter संक्षिप्त अद्यतन सीखता है जबकि बेस जमा रहता है।

पाठ: LoRA और Parameter-Efficient Fine-Tuning

11. Overfitting का क्लासिक संकेत क्या है?

  1. पहले चरण पर loss ठीक शून्य है
  2. दोनों वक्र शुरू से सपाट हैं
  3. Validation हमेशा प्रशिक्षण से बेहतर है
  4. प्रशिक्षण प्रदर्शन सुधरता रहता है जबकि validation रुकता या बिगड़ता है
जवाब देखें

जवाब: प्रशिक्षण प्रदर्शन सुधरता रहता है जबकि validation रुकता या बिगड़ता है

डेटा अलग रखें और अंतर देखें।

पाठ: Overfitting, Epochs और Early Stopping

12. Preference tuning कौन-सा डेटा उपयोग करती है?

  1. सिर्फ़ कच्चे web pages
  2. चुने बनाम अस्वीकृत के रूप में labelled उत्तरों की जोड़ियाँ
  3. सिर्फ़ images
  4. GPU temperature logs
जवाब देखें

जवाब: चुने बनाम अस्वीकृत के रूप में labelled उत्तरों की जोड़ियाँ

तुलनाएँ सिखाती हैं कौन-से व्यवहार पसंद हैं।

पाठ: Preference Tuning: RLHF और DPO

13. Distilled student का मूल्यांकन कैसे होना चाहिए?

  1. सिर्फ़ इससे कि वह teacher की कितनी नक़ल करता है
  2. मानव-सत्यापित test डेटा पर, सिर्फ़ teacher से सहमति पर नहीं
  3. बिल्कुल नहीं
  4. सिर्फ़ मॉडल आकार से
जवाब देखें

जवाब: मानव-सत्यापित test डेटा पर, सिर्फ़ teacher से सहमति पर नहीं

Teacher की ग़लतियों से मेल खाना लक्ष्य नहीं; सही होना है।

पाठ: Distillation: बड़े मॉडल से छोटे को सिखाना

प्रशिक्षण डेटा: असली काम

14. Fine-tuning के लिए आम तौर पर कौन-सा बेहतर है?

  1. दोहराए boilerplate उत्तर
  2. हज़ारों विरोधी उदाहरण
  3. बिना समीक्षा scrape किया पाठ
  4. सैकड़ों साफ़, एकसमान उदाहरण
जवाब देखें

जवाब: सैकड़ों साफ़, एकसमान उदाहरण

गुणवत्ता और एकरूपता कच्ची मात्रा से अधिक मायने रखती है।

पाठ: Label गुणवत्ता: शोर सटीकता घटाता है

15. पहले dataset स्थानीय रूप से validate क्यों करें?

  1. भुगतान वाले प्रशिक्षण run से पहले format त्रुटियाँ सस्ते में पकड़ी जाती हैं
  2. Validation मॉडल बड़ा करती है
  3. JSONL files edit नहीं हो सकतीं
  4. यह मूल्यांकन set की जगह लेती है
जवाब देखें

जवाब: भुगतान वाले प्रशिक्षण run से पहले format त्रुटियाँ सस्ते में पकड़ी जाती हैं

सस्ती स्थानीय जाँचें व्यर्थ runs से बचाती हैं।

पाठ: Dataset Format और Validation (JSONL)

16. Data leakage क्या है?

  1. बहुत कम epochs
  2. Dataset file खो जाना
  3. बँटवारे के दोनों तरफ़ संबंधित या दोहराए rows, जो score फुला देते हैं
  4. डेटा को encrypt करना
जवाब देखें

जवाब: बँटवारे के दोनों तरफ़ संबंधित या दोहराए rows, जो score फुला देते हैं

उस इकाई से बाँटें जो अनदेखी रहनी चाहिए।

पाठ: Leakage के बिना Train, Validation और Test बँटवारे

जोखिम: Forgetting, तथ्य और सुरक्षा

17. Catastrophic forgetting घटाने में कौन-सा मदद करता है?

  1. Validation set हटाना
  2. सिर्फ़ नए कार्य पर और देर तक प्रशिक्षण
  3. पहले के डेटा का नमूना replay करना, कम learning rate या LoRA
  4. Learning rate बहुत बढ़ाना
जवाब देखें

जवाब: पहले के डेटा का नमूना replay करना, कम learning rate या LoRA

पुराना व्यवहार प्रशिक्षण और मूल्यांकन दोनों में रखें।

पाठ: Catastrophic Forgetting और Replay

18. बदलते कंपनी तथ्यों के लिए retrieval क्यों बेहतर है?

  1. तथ्य बिना दोबारा प्रशिक्षण के अद्यतन, उद्धृत और पहुँच-नियंत्रित हो सकते हैं
  2. Retrieval को डेटा नहीं चाहिए
  3. Weights तथ्य पूरी तरह जमा करते हैं
  4. Tuned मॉडल सवालों के उत्तर नहीं दे सकते
जवाब देखें

जवाब: तथ्य बिना दोबारा प्रशिक्षण के अद्यतन, उद्धृत और पहुँच-नियंत्रित हो सकते हैं

ज्ञान को weights के बाहर रखें।

पाठ: तथ्य जोड़ने के लिए Fine-Tuning कमज़ोर तरीक़ा है

19. Fine-tuning के बाद सुरक्षा परीक्षण दोबारा क्यों चलाएँ?

  1. वे वैकल्पिक marketing हैं
  2. सुरक्षा परीक्षण मॉडल प्रशिक्षित करते हैं
  3. Tuning हमेशा सुरक्षा सुधारती है
  4. Tuning बेस मॉडल का सुरक्षा व्यवहार कमज़ोर कर सकती है
जवाब देखें

जवाब: Tuning बेस मॉडल का सुरक्षा व्यवहार कमज़ोर कर सकती है

Weights में हर बदलाव के बाद सुरक्षा जाँचें।

पाठ: प्रशिक्षण डेटा की सुरक्षा, गोपनीयता और licensing

Tuned मॉडल का मूल्यांकन और संचालन

20. Tuned मॉडल के लिए निष्पक्ष baseline क्या है?

  1. एक-शब्द prompt वाला अनट्यून मॉडल
  2. उसी test set पर आपके सबसे अच्छे prompt और उदाहरणों वाला बेस मॉडल
  3. प्रशिक्षण set सटीकता
  4. बिल्कुल अलग कार्य
जवाब देखें

जवाब: उसी test set पर आपके सबसे अच्छे prompt और उदाहरणों वाला बेस मॉडल

अपने सर्वश्रेष्ठ विकल्प को हराएँ, पुतले को नहीं।

पाठ: हमेशा मज़बूत prompted baseline से तुलना करें

21. गुणवत्ता के साथ format वैधता और लागत क्यों ट्रैक करें?

  1. वे गुणवत्ता की जगह लेते हैं
  2. एक अकेला headline score अन्य आयामों में regressions छिपा सकता है
  3. LoRA के लिए आवश्यक हैं
  4. वे loss सुधारते हैं
जवाब देखें

जवाब: एक अकेला headline score अन्य आयामों में regressions छिपा सकता है

कई आयाम साथ देखें।

पाठ: कार्य के लिए मीट्रिक चुनना

22. कई विशेषीकृत रूपों के लिए LoRA सुविधाजनक क्यों है?

  1. यह बेस मॉडल हटा देती है
  2. यह हर मॉडल मुफ़्त कर देती है
  3. यह GPUs की ज़रूरत हटा देती है
  4. छोटी adapters एक साझा बेस मॉडल पर बदली जा सकती हैं
जवाब देखें

जवाब: छोटी adapters एक साझा बेस मॉडल पर बदली जा सकती हैं

साझा base पर प्रति-कार्य छोटे deltas memory बचाते हैं।

पाठ: Tuned मॉडल serve करना: Merged Weights और Adapters

व्यवहार में लाना

23. Case study में fine-tuning को किसने उचित ठहराया?

  1. सस्ती prompting अब भी बजट से ऊपर थी और डेटा के साथ learning curve अब भी बढ़ रही थी
  2. Fine-tuning चलन में थी
  3. उनके पास मूल्यांकन set नहीं था
  4. Retrieval असंभव था
जवाब देखें

जवाब: सस्ती prompting अब भी बजट से ऊपर थी और डेटा के साथ learning curve अब भी बढ़ रही थी

उत्साह नहीं, सीढ़ी के प्रमाण ने क़दम को उचित ठहराया।

पाठ: Case Study: Support Ticket Routing

24. Open-weight प्रशिक्षण का एक प्रमुख लाभ क्या है?

  1. यह हर मात्रा पर हमेशा सस्ता है
  2. इसमें engineering नहीं चाहिए
  3. Weights, डेटा के स्थान और serving पर आपका नियंत्रण
  4. यह मूल्यांकन की ज़रूरत हटा देता है
जवाब देखें

जवाब: Weights, डेटा के स्थान और serving पर आपका नियंत्रण

नियंत्रण के साथ संचालन की ज़िम्मेदारी आती है।

पाठ: Hosted Fine-Tuning बनाम Open-Source प्रशिक्षण

25. हर tuned मॉडल के लिए dataset version और बेस मॉडल क्यों दर्ज करें?

  1. क्योंकि नियामक logging मना करते हैं
  2. मॉडल छोटा करने के लिए
  3. ताकि मॉडल दोबारा बनाया, तुलना और rollback किया जा सके
  4. इसका कोई व्यावहारिक उपयोग नहीं
जवाब देखें

जवाब: ताकि मॉडल दोबारा बनाया, तुलना और rollback किया जा सके

पुनरुत्पादन ही दोबारा प्रशिक्षण को सुरक्षित बनाता है।

पाठ: Versioning, Drift और सेवानिवृत्ति

Pitfalls और अंतिम Checklist

26. कौन-सी आम fine-tuning ग़लती है?

  1. मज़बूत prompted baseline और मूल्यांकन set छोड़ देना
  2. डेटा की नमूना rows पढ़ना
  3. मॉडल versions सहेजना
  4. rollback की योजना बनाना
जवाब देखें

जवाब: मज़बूत prompted baseline और मूल्यांकन set छोड़ देना

निष्पक्ष baseline के विरुद्ध प्रमाण ही मूल अनुशासन है।

पाठ: आम Pitfalls

27. Checklist दिखाए कि मूल्यांकन set नहीं है तो क्या करें?

  1. समय बचाने को मूल्यांकन छोड़ें
  2. पहले प्रशिक्षित करें, बाद में तय करें
  3. प्रशिक्षण set को ही test set बनाएँ
  4. कुछ भी प्रशिक्षित करने से पहले बनाएँ
जवाब देखें

जवाब: कुछ भी प्रशिक्षित करने से पहले बनाएँ

माप के बिना आप नहीं जान सकते कि tuning ने मदद की या नहीं।

पाठ: निर्णय Checklist

← कोर्स पर वापस जाएँ