విజ్ఞాన శాస్త్రం మరియు సాంకేతిక విజ్ఞానం - టెస్ట్ 13 - Generative AI, Foundation Models మరియు Large Language Models
Please keep at least one language enabled. || కనీసం ఒక భాషను ఎంచుకోండి.
Question 1
ప్రశ్న 1
Which task most clearly represents generative AI rather than a conventional discriminative classifier?
సాధారణ discriminative classifierతో పోలిస్తే Generative AIను అత్యంత స్పష్టంగా సూచించే పని ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Generative AI produces new content such as text, images, audio, video or code based on learned patterns and input context.
• A discriminative classifier primarily assigns inputs to categories rather than generating a new content sequence.
• Fixed sorting and threshold control are ordinary programmed operations and are not, by themselves, generative AI.
• A discriminative classifier primarily assigns inputs to categories rather than generating a new content sequence.
• Fixed sorting and threshold control are ordinary programmed operations and are not, by themselves, generative AI.
వివరణ:
• Generative AI నేర్చుకున్న నమూనాలు మరియు ఇచ్చిన context ఆధారంగా కొత్త text, image, audio, video లేదా code వంటి contentను సృష్టించగలదు.
• Discriminative classifier ప్రధానంగా inputsను categoriesలో వర్గీకరిస్తుంది; కొత్త content sequenceను సృష్టించడం దాని ప్రధాన పని కాదు.
• Fixed sorting లేదా threshold control వంటి పనులు ముందే నిర్ణయించిన operations; అవి ఒక్కటే Generative AI కావు.
• Discriminative classifier ప్రధానంగా inputsను categoriesలో వర్గీకరిస్తుంది; కొత్త content sequenceను సృష్టించడం దాని ప్రధాన పని కాదు.
• Fixed sorting లేదా threshold control వంటి పనులు ముందే నిర్ణయించిన operations; అవి ఒక్కటే Generative AI కావు.
Question 2
ప్రశ్న 2
Which statement best describes a foundation model?
Foundation modelను అత్యంత సరైన విధంగా వివరించే ప్రకటన ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• A foundation model is trained on broad data and is intended to support adaptation to multiple downstream tasks.
• Adaptation can occur through prompting, fine-tuning or other techniques depending on the model and application.
• Foundation models are not limited to text; they may support vision, audio or multiple modalities.
• Adaptation can occur through prompting, fine-tuning or other techniques depending on the model and application.
• Foundation models are not limited to text; they may support vision, audio or multiple modalities.
వివరణ:
• Foundation model విస్తృత dataపై train అవుతుంది మరియు తరువాత అనేక downstream tasksకు ఉపయోగించేలా మార్చుకోవచ్చు.
• Model, applicationను బట్టి prompting, fine-tuning లేదా ఇతర పద్ధతులతో adaptation చేయవచ్చు.
• Foundation models textకే పరిమితం కావు; vision, audio లేదా అనేక modalitiesను కూడా నిర్వహించవచ్చు.
• Model, applicationను బట్టి prompting, fine-tuning లేదా ఇతర పద్ధతులతో adaptation చేయవచ్చు.
• Foundation models textకే పరిమితం కావు; vision, audio లేదా అనేక modalitiesను కూడా నిర్వహించవచ్చు.
Question 3
ప్రశ్న 3
Which statement correctly reflects how the terms Large Language Model (LLM) and foundation model are commonly used?
Large Language Model (LLM) మరియు foundation model అనే పదాలను సాధారణంగా ఎలా ఉపయోగిస్తారో సరైన విధంగా తెలిపేది ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• LLMs are large models focused primarily on language and token-sequence processing.
• The foundation-model concept is broader and can include models centred on vision, audio or multiple modalities as well as language.
• The terms are related but should not automatically be treated as exact synonyms.
• The foundation-model concept is broader and can include models centred on vision, audio or multiple modalities as well as language.
• The terms are related but should not automatically be treated as exact synonyms.
వివరణ:
• LLMs ప్రధానంగా language మరియు token sequencesను process చేయడంపై దృష్టి పెట్టిన పెద్ద models.
• Foundation model అనే భావన మరింత విస్తృతమైనది; languageతో పాటు vision, audio లేదా అనేక modalitiesపై ఆధారపడిన modelsను కూడా కలిగి ఉంటుంది.
• కాబట్టి ఈ రెండు పదాలు సంబంధం ఉన్నప్పటికీ వాటిని ఖచ్చితంగా ఒకే అర్థంలో ఉపయోగించకూడదు.
• Foundation model అనే భావన మరింత విస్తృతమైనది; languageతో పాటు vision, audio లేదా అనేక modalitiesపై ఆధారపడిన modelsను కూడా కలిగి ఉంటుంది.
• కాబట్టి ఈ రెండు పదాలు సంబంధం ఉన్నప్పటికీ వాటిని ఖచ్చితంగా ఒకే అర్థంలో ఉపయోగించకూడదు.
Question 4
ప్రశ్న 4
In an LLM, what is a token most accurately understood to be?
LLMలో tokenను అత్యంత సరైన విధంగా ఎలా అర్థం చేసుకోవాలి?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• LLMs process text as sequences of tokens rather than necessarily as whole words.
• A token can represent a whole word, a subword, a character or another unit chosen by the tokenizer.
• Tokenisation affects context length and computational cost, and token boundaries can differ across languages and models.
• A token can represent a whole word, a subword, a character or another unit chosen by the tokenizer.
• Tokenisation affects context length and computational cost, and token boundaries can differ across languages and models.
వివరణ:
• LLMs textను తప్పనిసరిగా whole wordsగా కాకుండా tokens sequenceగా process చేస్తాయి.
• Token ఒక పూర్తి పదం, పదభాగం, అక్షరం లేదా tokenizer ఎంచుకున్న మరో unit కావచ్చు.
• Tokenisation వల్ల context length మరియు computational cost ప్రభావితమవుతాయి; token boundaries languages, models మధ్య మారవచ్చు.
• Token ఒక పూర్తి పదం, పదభాగం, అక్షరం లేదా tokenizer ఎంచుకున్న మరో unit కావచ్చు.
• Tokenisation వల్ల context length మరియు computational cost ప్రభావితమవుతాయి; token boundaries languages, models మధ్య మారవచ్చు.
Question 5
ప్రశ్న 5
What is the principal role of a prompt when interacting with a generative model?
Generative modelతో పనిచేసేటప్పుడు prompt యొక్క ప్రధాన పాత్ర ఏమిటి?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• A prompt supplies the model with the user's input, instructions and often additional context.
• The generated output is conditioned on this context together with the model's learned parameters.
• Prompt quality can influence outputs, but a well-written prompt cannot guarantee factual accuracy or eliminate every model limitation.
• The generated output is conditioned on this context together with the model's learned parameters.
• Prompt quality can influence outputs, but a well-written prompt cannot guarantee factual accuracy or eliminate every model limitation.
వివరణ:
• Prompt ద్వారా modelకు user input, instructions మరియు అవసరమైన context అందుతుంది.
• Model నేర్చుకున్న parametersతో పాటు ఈ context ఆధారంగా output generate అవుతుంది.
• మంచి prompt outputను మెరుగుపరచవచ్చు; కానీ factual accuracyకు guarantee ఇవ్వదు మరియు model limitations అన్నింటినీ తొలగించదు.
• Model నేర్చుకున్న parametersతో పాటు ఈ context ఆధారంగా output generate అవుతుంది.
• మంచి prompt outputను మెరుగుపరచవచ్చు; కానీ factual accuracyకు guarantee ఇవ్వదు మరియు model limitations అన్నింటినీ తొలగించదు.
Question 6
ప్రశ్న 6
Which statement correctly distinguishes pretraining or model training from inference in a generative AI system?
Generative AI systemలో pretraining/model training మరియు inference మధ్య తేడాను సరైన విధంగా తెలిపేది ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Training or pretraining is the resource-intensive learning stage in which model parameters are adjusted using data and an optimisation objective.
• Inference uses the trained model to process a prompt and generate an output without normally retraining all parameters for that request.
• Training and inference therefore have different purposes and computational profiles.
• Inference uses the trained model to process a prompt and generate an output without normally retraining all parameters for that request.
• Training and inference therefore have different purposes and computational profiles.
వివరణ:
• Training లేదా pretraining అనేది data మరియు optimisation objective ఆధారంగా model parametersను సర్దే learning stage.
• Inferenceలో trained modelను promptపై ఉపయోగించి output generate చేస్తారు; ప్రతి requestకు parameters అన్నింటినీ మళ్లీ train చేయరు.
• కాబట్టి training, inference లక్ష్యాలు మరియు computational requirements వేరు.
• Inferenceలో trained modelను promptపై ఉపయోగించి output generate చేస్తారు; ప్రతి requestకు parameters అన్నింటినీ మళ్లీ train చేయరు.
• కాబట్టి training, inference లక్ష్యాలు మరియు computational requirements వేరు.
Question 7
ప్రశ్న 7
At an awareness level, what is the key role of self-attention in Transformer-based language models?
Transformer ఆధారిత language modelsలో self-attention యొక్క ముఖ్యమైన పాత్ర ఏమిటి?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Self-attention allows a Transformer to calculate how strongly tokens in a context relate to one another when forming internal representations.
• This helps the model use contextual relationships important for language generation and other sequence tasks.
• Self-attention is a computational mechanism; it should not be equated with guaranteed human-like understanding or factual verification.
• This helps the model use contextual relationships important for language generation and other sequence tasks.
• Self-attention is a computational mechanism; it should not be equated with guaranteed human-like understanding or factual verification.
వివరణ:
• Self-attention వల్ల contextలోని tokens ఒకదానితో మరొకటి ఎంత సంబంధం కలిగి ఉన్నాయో model గణించి internal representations నిర్మించగలదు.
• Language generation మరియు ఇతర sequence tasksలో అవసరమైన context relationshipsను ఉపయోగించేందుకు ఇది సహాయపడుతుంది.
• Self-attention ఒక computational mechanism మాత్రమే; దాన్ని guaranteed human-like understanding లేదా factual verificationతో సమానం చేయకూడదు.
• Language generation మరియు ఇతర sequence tasksలో అవసరమైన context relationshipsను ఉపయోగించేందుకు ఇది సహాయపడుతుంది.
• Self-attention ఒక computational mechanism మాత్రమే; దాన్ని guaranteed human-like understanding లేదా factual verificationతో సమానం చేయకూడదు.
Question 8
ప్రశ్న 8
Why can an LLM that generates text by predicting likely next tokens still produce a fluent but factually incorrect answer?
Likely next tokensను predict చేస్తూ text generate చేసే LLM ఎందుకు సరళంగా కనిపించే కానీ factually incorrect answer ఇవ్వగలదు?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• LLMs learn statistical regularities in token sequences and generate outputs that are probable under those learned patterns.
• Fluency and plausibility do not logically guarantee factual correctness.
• This is why factual verification and grounding are important when generated content is used for consequential or knowledge-intensive tasks.
• Fluency and plausibility do not logically guarantee factual correctness.
• This is why factual verification and grounding are important when generated content is used for consequential or knowledge-intensive tasks.
వివరణ:
• LLMs token sequencesలోని statistical patternsను నేర్చుకుని వాటి ఆధారంగా probable outputsను generate చేస్తాయి.
• Fluentగా, plausibleగా కనిపించడం factual correctnessకు guarantee కాదు.
• అందువల్ల consequential లేదా knowledge-intensive tasksలో generated contentను verify చేయడం మరియు trusted informationతో ground చేయడం ముఖ్యమైనది.
• Fluentగా, plausibleగా కనిపించడం factual correctnessకు guarantee కాదు.
• అందువల్ల consequential లేదా knowledge-intensive tasksలో generated contentను verify చేయడం మరియు trusted informationతో ground చేయడం ముఖ్యమైనది.
Question 9
ప్రశ్న 9
Which description best matches a multimodal foundation model?
Multimodal foundation modelను అత్యంత సరైన విధంగా వివరించేది ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Multimodal models process and relate information from multiple modalities such as text, images, audio or video.
• A system may accept one modality and produce another, or jointly reason over several modalities depending on its architecture and training.
• Running a model on multiple processors does not make it multimodal.
• A system may accept one modality and produce another, or jointly reason over several modalities depending on its architecture and training.
• Running a model on multiple processors does not make it multimodal.
వివరణ:
• Multimodal models text, images, audio లేదా video వంటి అనేక modalitiesలోని సమాచారాన్ని process చేసి వాటి మధ్య సంబంధాలను ఉపయోగించగలవు.
• Architecture, trainingను బట్టి ఒక modalityని inputగా తీసుకుని మరో modalityని outputగా ఇవ్వవచ్చు లేదా అనేక modalitiesను కలిపి ఉపయోగించవచ్చు.
• Multiple processorsపై run అవడం వల్ల మాత్రమే model multimodal కాదు.
• Architecture, trainingను బట్టి ఒక modalityని inputగా తీసుకుని మరో modalityని outputగా ఇవ్వవచ్చు లేదా అనేక modalitiesను కలిపి ఉపయోగించవచ్చు.
• Multiple processorsపై run అవడం వల్ల మాత్రమే model multimodal కాదు.
Question 10
ప్రశ్న 10
Which sequence best describes a typical Retrieval-Augmented Generation (RAG) workflow?
Retrieval-Augmented Generation (RAG)లో సాధారణ workflowను సరైన క్రమంలో చూపేది ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• RAG combines information retrieval with generation.
• The system first retrieves relevant content from a knowledge source, then augments the prompt or model context with that content before generation.
• This can provide fresher or domain-specific information without retraining the entire foundation model for every query.
• The system first retrieves relevant content from a knowledge source, then augments the prompt or model context with that content before generation.
• This can provide fresher or domain-specific information without retraining the entire foundation model for every query.
వివరణ:
• RAGలో information retrieval మరియు generationను కలిపి ఉపయోగిస్తారు.
• ముందుగా knowledge source నుంచి relevant contentను retrieve చేసి, దాన్ని prompt లేదా model contextకు జోడించిన తరువాత response generate చేస్తారు.
• ప్రతి queryకు foundation model మొత్తాన్ని retrain చేయకుండా తాజా లేదా domain-specific informationను అందించడానికి ఇది సహాయపడుతుంది.
• ముందుగా knowledge source నుంచి relevant contentను retrieve చేసి, దాన్ని prompt లేదా model contextకు జోడించిన తరువాత response generate చేస్తారు.
• ప్రతి queryకు foundation model మొత్తాన్ని retrain చేయకుండా తాజా లేదా domain-specific informationను అందించడానికి ఇది సహాయపడుతుంది.
Question 11
ప్రశ్న 11
Which statement about RAG and factual reliability is most accurate?
RAG మరియు factual reliability గురించి అత్యంత సరైన ప్రకటన ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• RAG can reduce reliance on a model's internal learned information by supplying retrieved evidence at inference time.
• Its quality depends on retrieving relevant, trustworthy and sufficiently current information and on the model using that information correctly.
• RAG therefore mitigates some factuality problems but does not eliminate hallucinations or other errors.
• Its quality depends on retrieving relevant, trustworthy and sufficiently current information and on the model using that information correctly.
• RAG therefore mitigates some factuality problems but does not eliminate hallucinations or other errors.
వివరణ:
• RAG inference సమయంలో retrieved evidenceను modelకు అందించడం వల్ల modelలో ముందుగా నేర్చుకున్న informationపైనే ఆధారపడాల్సిన అవసరం తగ్గుతుంది.
• Relevant, trustworthy, current information retrieve అవుతుందా మరియు model దాన్ని సరిగ్గా ఉపయోగిస్తుందా అన్నదానిపై ఫలితం ఆధారపడి ఉంటుంది.
• కాబట్టి RAG కొన్ని factuality సమస్యలను తగ్గించగలదు కానీ hallucinations లేదా ఇతర errorsను పూర్తిగా తొలగించదు.
• Relevant, trustworthy, current information retrieve అవుతుందా మరియు model దాన్ని సరిగ్గా ఉపయోగిస్తుందా అన్నదానిపై ఫలితం ఆధారపడి ఉంటుంది.
• కాబట్టి RAG కొన్ని factuality సమస్యలను తగ్గించగలదు కానీ hallucinations లేదా ఇతర errorsను పూర్తిగా తొలగించదు.
Question 12
ప్రశ్న 12
NIST uses the term 'confabulation' for a risk often colloquially called hallucination. Which situation is the clearest example?
NIST 'confabulation' అనే పదాన్ని సాధారణంగా hallucination అని పిలిచే riskకు ఉపయోగిస్తుంది. క్రింది వాటిలో అత్యంత స్పష్టమైన ఉదాహరణ ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Confabulation refers to generated content that is erroneous, false, internally inconsistent or otherwise unsupported while being presented as if it were valid.
• Generative systems can produce plausible wording even when the underlying factual claim is fabricated.
• Confidence of presentation should therefore not be used as proof of factual accuracy.
• Generative systems can produce plausible wording even when the underlying factual claim is fabricated.
• Confidence of presentation should therefore not be used as proof of factual accuracy.
వివరణ:
• Confabulation అంటే validగా కనిపించే విధంగా model generate చేసినప్పటికీ erroneous, false, internally inconsistent లేదా unsupported content.
• Generative systems underlying factual claim fabricated అయినప్పటికీ plausible wordingతో answer ఇవ్వగలవు.
• కాబట్టి model confidentగా answer ఇచ్చిందనే కారణంతో factual accuracy ఉందని భావించకూడదు.
• Generative systems underlying factual claim fabricated అయినప్పటికీ plausible wordingతో answer ఇవ్వగలవు.
• కాబట్టి model confidentగా answer ఇచ్చిందనే కారణంతో factual accuracy ఉందని భావించకూడదు.
Question 13
ప్రశ్న 13
Which statement correctly distinguishes prompt-based use from fine-tuning of a foundation model?
Foundation modelలో prompt-based use మరియు fine-tuning మధ్య తేడాను సరైన విధంగా తెలిపేది ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Prompting changes the input context given to an existing model without normally altering its learned parameters.
• Fine-tuning performs additional training on selected data to modify model behaviour by updating parameters.
• The two approaches can be combined, and neither guarantees perfect performance on every task.
• Fine-tuning performs additional training on selected data to modify model behaviour by updating parameters.
• The two approaches can be combined, and neither guarantees perfect performance on every task.
వివరణ:
• Promptingలో existing modelకు ఇచ్చే input context లేదా instructions మారుతాయి; సాధారణంగా learned parametersను మార్చరు.
• Fine-tuningలో selected dataపై additional training చేసి model behaviourను మార్చేందుకు parametersను update చేస్తారు.
• ఈ రెండు approachesను కలిసి ఉపయోగించవచ్చు; ఏదీ ప్రతి taskలో perfect performanceకు guarantee కాదు.
• Fine-tuningలో selected dataపై additional training చేసి model behaviourను మార్చేందుకు parametersను update చేస్తారు.
• ఈ రెండు approachesను కలిసి ఉపయోగించవచ్చు; ఏదీ ప్రతి taskలో perfect performanceకు guarantee కాదు.
Question 14
ప్రశ్న 14
What does an LLM's context window principally limit?
LLM యొక్క context window ప్రధానంగా దేనిని పరిమితం చేస్తుంది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• A context window sets a limit on how many tokens of prompt, retrieved material, conversation history and generated text can be considered within the model's active context.
• Longer context can allow more material to be supplied, but it does not guarantee that every relevant detail will be used correctly.
• Context length is distinct from the model's parameter count or the total size of its pretraining corpus.
• Longer context can allow more material to be supplied, but it does not guarantee that every relevant detail will be used correctly.
• Context length is distinct from the model's parameter count or the total size of its pretraining corpus.
వివరణ:
• Context window ఒక సమయంలో prompt, retrieved material, conversation history మరియు generated textలో ఎంత token contextను model activeగా consider చేయగలదో పరిమితం చేస్తుంది.
• Longer context వల్ల ఎక్కువ material ఇవ్వవచ్చు; కానీ ప్రతి relevant detailను model తప్పనిసరిగా సరిగ్గా ఉపయోగిస్తుందని guarantee కాదు.
• Context length, model parameter count లేదా pretraining corpus మొత్తం పరిమాణం ఒకే విషయం కాదు.
• Longer context వల్ల ఎక్కువ material ఇవ్వవచ్చు; కానీ ప్రతి relevant detailను model తప్పనిసరిగా సరిగ్గా ఉపయోగిస్తుందని guarantee కాదు.
• Context length, model parameter count లేదా pretraining corpus మొత్తం పరిమాణం ఒకే విషయం కాదు.
Question 15
ప్రశ్న 15
Why are GPUs and other AI accelerators widely used for training and serving large foundation models?
పెద్ద foundation models training మరియు servingలో GPUs లేదా ఇతర AI acceleratorsను విస్తృతంగా ఎందుకు ఉపయోగిస్తారు?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Training and inference for large neural networks involve very large numbers of matrix and tensor operations that can often be parallelised.
• GPUs and specialised accelerators provide high throughput for these workloads and are therefore widely used in modern AI infrastructure.
• Compute hardware improves performance and scale; it does not guarantee factuality, fairness or safety.
• GPUs and specialised accelerators provide high throughput for these workloads and are therefore widely used in modern AI infrastructure.
• Compute hardware improves performance and scale; it does not guarantee factuality, fairness or safety.
వివరణ:
• పెద్ద neural networks training, inferenceలో భారీ సంఖ్యలో matrix, tensor computations ఉంటాయి; వీటిలో అనేకాన్ని parallelగా చేయవచ్చు.
• GPUs మరియు specialised accelerators ఈ workloadsకు high throughput అందించడం వల్ల ఆధునిక AI infrastructureలో విస్తృతంగా ఉపయోగిస్తారు.
• Compute hardware performance, scaleను మెరుగుపరుస్తుంది; factuality, fairness లేదా safetyకు guarantee ఇవ్వదు.
• GPUs మరియు specialised accelerators ఈ workloadsకు high throughput అందించడం వల్ల ఆధునిక AI infrastructureలో విస్తృతంగా ఉపయోగిస్తారు.
• Compute hardware performance, scaleను మెరుగుపరుస్తుంది; factuality, fairness లేదా safetyకు guarantee ఇవ్వదు.
Question 16
ప్రశ్న 16
Which responsible-use principle is most appropriate when generative AI creates a polished summary of a high-stakes legal, medical or scientific document?
Generative AI ఒక high-stakes legal, medical లేదా scientific documentకు polished summary రూపొందించినప్పుడు ఏ responsible-use principle అత్యంత సరైనది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Generative outputs can omit qualifications, misstate details or introduce unsupported claims even when the writing is fluent.
• High-stakes decisions should therefore rely on verified source information and appropriate expert or human review.
• Generative AI can assist analysis and drafting, but fluency should not be confused with guaranteed understanding or correctness.
• High-stakes decisions should therefore rely on verified source information and appropriate expert or human review.
• Generative AI can assist analysis and drafting, but fluency should not be confused with guaranteed understanding or correctness.
వివరణ:
• Generative outputs fluentగా ఉన్నప్పటికీ qualificationsను వదిలేయడం, detailsను తప్పుగా చెప్పడం లేదా unsupported claimsను చేర్చడం జరగవచ్చు.
• High-stakes decisionsలో trusted source informationతో verification మరియు అవసరమైన expert/human review ఉండాలి.
• Generative AI analysis, draftingకు సహాయపడగలదు; కానీ fluencyని guaranteed understanding లేదా correctnessగా పరిగణించకూడదు.
• High-stakes decisionsలో trusted source informationతో verification మరియు అవసరమైన expert/human review ఉండాలి.
• Generative AI analysis, draftingకు సహాయపడగలదు; కానీ fluencyని guaranteed understanding లేదా correctnessగా పరిగణించకూడదు.
Question 17
ప్రశ్న 17
Which concern is especially relevant when generative models are used to create synthetic images, audio or video of real-looking people or events?
నిజంగా జరిగినట్లు కనిపించే వ్యక్తులు లేదా సంఘటనలకు సంబంధించిన synthetic images, audio లేదా videoను generative modelsతో తయారు చేసినప్పుడు ఏ concern ప్రత్యేకంగా ముఖ్యమైనది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Generative systems can create realistic synthetic media across text, image, audio and video modalities.
• Such content has legitimate creative and technical uses but can also support impersonation, deception or misinformation.
• Provenance mechanisms, disclosure, verification and appropriate safeguards are important responses to these risks.
• Such content has legitimate creative and technical uses but can also support impersonation, deception or misinformation.
• Provenance mechanisms, disclosure, verification and appropriate safeguards are important responses to these risks.
వివరణ:
• Generative systems text, image, audio, video వంటి modalitiesలో realistic synthetic mediaను రూపొందించగలవు.
• దీనికి legitimate creative, technical uses ఉన్నప్పటికీ impersonation, deception లేదా misinformationకు misuse చేసే అవకాశం కూడా ఉంది.
• అందువల్ల provenance mechanisms, disclosure, verification మరియు safeguards ముఖ్యమైనవి.
• దీనికి legitimate creative, technical uses ఉన్నప్పటికీ impersonation, deception లేదా misinformationకు misuse చేసే అవకాశం కూడా ఉంది.
• అందువల్ల provenance mechanisms, disclosure, verification మరియు safeguards ముఖ్యమైనవి.
Question 18
ప్రశ్న 18
According to Government of India updates available by August 2026, which statement about the IndiaAI Foundation Models initiative is correct?
2026 ఆగస్టు నాటికి అందుబాటులో ఉన్న Government of India updates ప్రకారం IndiaAI Foundation Models initiative గురించి సరైన ప్రకటన ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• By August 2026, Government updates reported 20 indigenous foundation-model proposals selected for support under the IndiaAI Mission.
• These comprised 12 Large Multimodal Model proposals and 8 Small Language Model proposals, following 506 applications.
• The programme is intended to strengthen AI capabilities suited to Indian languages, needs and contexts rather than exclude them.
• These comprised 12 Large Multimodal Model proposals and 8 Small Language Model proposals, following 506 applications.
• The programme is intended to strengthen AI capabilities suited to Indian languages, needs and contexts rather than exclude them.
వివరణ:
• 2026 ఆగస్టు నాటికి Government updates ప్రకారం IndiaAI Mission కింద support కోసం 20 indigenous foundation-model proposalsను select చేశారు.
• 506 applications నుంచి 12 Large Multimodal Model proposals మరియు 8 Small Language Model proposals ఎంపికయ్యాయి.
• భారతీయ languages, needs, contextsకు అనుగుణమైన AI capabilitiesను బలోపేతం చేయడం ఈ programme లక్ష్యాల్లో ఒకటి.
• 506 applications నుంచి 12 Large Multimodal Model proposals మరియు 8 Small Language Model proposals ఎంపికయ్యాయి.
• భారతీయ languages, needs, contextsకు అనుగుణమైన AI capabilitiesను బలోపేతం చేయడం ఈ programme లక్ష్యాల్లో ఒకటి.
Question 19
ప్రశ్న 19
Which statement is consistent with India's AI infrastructure status reported by the Government in 2026?
2026లో Government నివేదించిన భారత AI infrastructure statusకు సరిపడే ప్రకటన ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Government reporting in 2026 stated that shared IndiaAI compute capacity had expanded beyond 45,000 GPUs by June 2026.
• Subsidised compute is intended to lower access barriers for model development, training, testing and research by eligible users.
• Large foundation models require substantial computing infrastructure, so shared access is an important ecosystem component.
• Subsidised compute is intended to lower access barriers for model development, training, testing and research by eligible users.
• Large foundation models require substantial computing infrastructure, so shared access is an important ecosystem component.
వివరణ:
• 2026 Government reporting ప్రకారం June 2026 నాటికి IndiaAI shared compute capacity 45,000కు పైగా GPUsకు విస్తరించింది.
• Eligible usersకు model development, training, testing మరియు research కోసం subsidised compute అందించడం ద్వారా access barriers తగ్గించడం లక్ష్యం.
• పెద్ద foundation modelsకు భారీ computing infrastructure అవసరం కావడం వల్ల shared access ecosystemలో ముఖ్యమైన భాగం.
• Eligible usersకు model development, training, testing మరియు research కోసం subsidised compute అందించడం ద్వారా access barriers తగ్గించడం లక్ష్యం.
• పెద్ద foundation modelsకు భారీ computing infrastructure అవసరం కావడం వల్ల shared access ecosystemలో ముఖ్యమైన భాగం.
Question 20
ప్రశ్న 20
In August 2026, NIST launched the AI Technology Evaluation (AITE) initiative. Which purpose best matches that development?
2026 ఆగస్టులో NIST ప్రారంభించిన AI Technology Evaluation (AITE) initiative యొక్క ప్రధాన ఉద్దేశ్యానికి సరిపడేది ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• NIST launched AITE in August 2026 as an evaluation environment for testing AI model performance across diverse tasks, datasets, modalities and domains.
• The development reflects the importance of systematic testing rather than assuming that one benchmark or vendor claim establishes universal capability.
• AI capabilities and risks can vary by task and deployment context, so ongoing evaluation remains important.
• The development reflects the importance of systematic testing rather than assuming that one benchmark or vendor claim establishes universal capability.
• AI capabilities and risks can vary by task and deployment context, so ongoing evaluation remains important.
వివరణ:
• NIST 2026 ఆగస్టులో AITEను ప్రారంభించి వివిధ tasks, datasets, modalities మరియు domainsలో AI model performanceను test చేసే evaluation environmentగా రూపొందించింది.
• ఒక్క benchmark లేదా vendor claimతో universal capability నిరూపితమవుతుందని భావించకుండా systematic testing అవసరమని ఇది సూచిస్తుంది.
• AI capabilities, risks task మరియు deployment contextను బట్టి మారవచ్చు కాబట్టి ongoing evaluation ముఖ్యమైనది.
• ఒక్క benchmark లేదా vendor claimతో universal capability నిరూపితమవుతుందని భావించకుండా systematic testing అవసరమని ఇది సూచిస్తుంది.
• AI capabilities, risks task మరియు deployment contextను బట్టి మారవచ్చు కాబట్టి ongoing evaluation ముఖ్యమైనది.
Answer Key సమాధానాల పట్టిక
-
Question 1 ప్రశ్న 1Answer: B. Generating a new product description from a user's specifications and context సమాధానం: B. వినియోగదారు ఇచ్చిన specifications మరియు context ఆధారంగా కొత్త product descriptionను సృష్టించడం
-
Question 2 ప్రశ్న 2Answer: B. A broad model trained on substantial data, often with self-supervised objectives, that can be adapted to a variety of downstream tasks సమాధానం: B. విస్తృత dataపై, తరచుగా self-supervised objectivesతో train చేసి, తరువాత అనేక downstream tasksకు అనుగుణంగా మార్చుకోగల విస్తృత model
-
Question 3 ప్రశ్న 3Answer: B. Foundation model is the broader concept; an LLM is language-focused, while foundation models may also operate on or across modalities such as images, audio and video సమాధానం: B. Foundation model విస్తృత భావన; LLM ప్రధానంగా languageపై దృష్టి పెట్టిన model, అయితే foundation models images, audio, video వంటి ఇతర modalitiesపై లేదా వాటి కలయికపై కూడా పనిచేయవచ్చు
-
Question 4 ప్రశ్న 4Answer: A. A unit of text representation that may correspond to a word, part of a word, character or other encoded text unit depending on the tokenizer సమాధానం: A. Tokenizerను బట్టి ఒక పూర్తి పదం, పదభాగం, అక్షరం లేదా ఇతర encoded text unitకు సంబంధించిన text representation unit
-
Question 5 ప్రశ్న 5Answer: B. It provides input, context and instructions that condition the model's generated response సమాధానం: B. Model responseను ప్రభావితం చేసే input, context మరియు instructionsను అందించడం
-
Question 6 ప్రశ్న 6Answer: A. Training adjusts model parameters using data and optimisation, whereas inference uses learned parameters to generate outputs for new inputs సమాధానం: A. Trainingలో data మరియు optimisation ద్వారా model parametersను సర్దుతారు; inferenceలో నేర్చుకున్న parametersతో కొత్త inputsకు outputs generate చేస్తారు
-
Question 7 ప్రశ్న 7Answer: A. It lets the model weight relationships among tokens in the context when constructing representations సమాధానం: A. Contextలోని tokens మధ్య సంబంధాలకు వేర్వేరు ప్రాధాన్యం ఇచ్చి representations నిర్మించేందుకు modelకు సహాయపడటం
-
Question 8 ప్రశ్న 8Answer: A. Because next-token generation is optimised around learned statistical patterns and does not itself guarantee that every generated claim corresponds to verified reality సమాధానం: A. Next-token generation నేర్చుకున్న statistical patterns ఆధారంగా జరుగుతుంది; generate చేసిన ప్రతి claim verified realityతో సరిపోతుందని ఈ mechanism స్వయంగా guarantee చేయదు
-
Question 9 ప్రశ్న 9Answer: A. A model that can process and relate information from more than one modality, such as text and images or audio సమాధానం: A. Text, images లేదా audio వంటి ఒకటి కంటే ఎక్కువ modalitiesలోని సమాచారాన్ని process చేసి వాటి మధ్య సంబంధాలను ఉపయోగించగల model
-
Question 10 ప్రశ్న 10Answer: B. Retrieve relevant information → add the retrieved context to the model input → generate a response using that augmented context సమాధానం: B. Relevant informationను retrieve చేయడం → retrieved contextను model inputకు జోడించడం → ఆ augmented context ఆధారంగా response generate చేయడం
-
Question 11 ప్రశ్న 11Answer: B. RAG can improve grounding by supplying relevant external information, but poor retrieval, outdated sources or generation errors can still produce incorrect answers సమాధానం: B. Relevant external informationను అందించడం ద్వారా RAG groundingను మెరుగుపరచగలదు; కానీ poor retrieval, outdated sources లేదా generation errors వల్ల ఇంకా incorrect answers రావచ్చు
-
Question 12 ప్రశ్న 12Answer: A. The model states a fabricated research paper title and confidently attributes it to a real scientist although no such paper exists సమాధానం: A. ఎప్పుడూ లేని research paper titleను model సృష్టించి, దాన్ని నిజమైన scientistకు confidently attribute చేయడం
-
Question 13 ప్రశ్న 13Answer: B. Prompting conditions the existing model through input instructions/context, while fine-tuning uses additional training to adjust some or all relevant model parameters for desired behaviour or tasks సమాధానం: B. Promptingలో existing modelకు input instructions/context ఇస్తారు; fine-tuningలో additional training ద్వారా desired behaviour లేదా tasks కోసం కొన్ని లేదా అవసరమైన model parametersను సర్దుతారు
-
Question 14 ప్రశ్న 14Answer: A. The amount of input and generated token context that the model can directly consider within a single interaction or processing window సమాధానం: A. ఒక interaction లేదా processing windowలో model నేరుగా consider చేయగల input మరియు generated token context పరిమాణం
-
Question 15 ప్రశ్న 15Answer: A. They are efficient at large parallel numerical operations, especially matrix and tensor computations common in neural networks సమాధానం: A. Neural networksలో సాధారణంగా ఉండే భారీ parallel numerical operations, ముఖ్యంగా matrix మరియు tensor computationsను సమర్థంగా నిర్వహించగలవు
-
Question 16 ప్రశ్న 16Answer: B. Verify important claims against the original or trusted sources and retain qualified human review where consequences are significant సమాధానం: B. ముఖ్యమైన claimsను original లేదా trusted sourcesతో verify చేసి, consequences ఎక్కువగా ఉన్నప్పుడు qualified human reviewను కొనసాగించడం
-
Question 17 ప్రశ్న 17Answer: A. Synthetic media can be misused for impersonation, fraud or misinformation, making provenance, disclosure and verification important సమాధానం: A. Synthetic mediaను impersonation, fraud లేదా misinformation కోసం misuse చేయవచ్చు; అందువల్ల provenance, disclosure మరియు verification ముఖ్యమైనవి
-
Question 18 ప్రశ్న 18Answer: B. Twenty indigenous foundation-model proposals had been identified for support, comprising 12 Large Multimodal Models and 8 Small Language Models సమాధానం: B. Support కోసం 20 indigenous foundation-model proposalsను గుర్తించారు; వాటిలో 12 Large Multimodal Models మరియు 8 Small Language Models ఉన్నాయి
-
Question 19 ప్రశ్న 19Answer: A. IndiaAI shared compute had expanded to more than 45,000 GPUs by June 2026, supporting model development, training, testing and research సమాధానం: A. 2026 జూన్ నాటికి IndiaAI shared compute 45,000కు పైగా GPUsకు విస్తరించి model development, training, testing మరియు researchకు support అందిస్తోంది
-
Question 20 ప్రశ్న 20Answer: A. To provide a sequestered testbed for evaluating AI model performance across varied tasks, datasets, modalities and domains సమాధానం: A. వివిధ tasks, datasets, modalities మరియు domainsలో AI model performanceను evaluate చేయడానికి sequestered testbed అందించడం