Quay lại danh mục Trắc nghiệm Xử lý ngôn ngữ tự nhiên

Trang chủ
Trắc nghiệm
Trắc nghiệm Xử lý ngôn ngữ tự nhiên
Bộ 1 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ 1 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Thời gian còn lại: --:--

Kết quả của bạn:

Bạn đã đúng:

Bạn đã sai:

Tổng số câu:

Câu 1: Trong xử lý ngôn ngữ tự nhiên (NLP), phép thử Turing (Turing Test) được đề xuất nhằm mục đích chính là gì?

A. Kiểm tra tốc độ xử lý dữ liệu văn bản của máy tính.
B. Đánh giá khả năng máy tính thể hiện hành vi thông minh tương đương con người.
C. Xác định khả năng lưu trữ từ vựng của một hệ thống.
D. Đo lường độ chính xác của các thuật toán dịch thuật.

💡 Lời giải chi tiết:

Theo định nghĩa kinh điển của Alan Turing, mục tiêu cốt lõi của phép thử này là xác định liệu một cỗ máy có khả năng mô phỏng hành vi trí tuệ của con người đến mức không thể phân biệt được hay không, dẫn đến Kết luận Lý giải: Đánh giá khả năng máy tính thể hiện hành vi thông minh tương đương con người.

Câu 2: Kỹ thuật 'Tokenization' (Tách từ) trong giai đoạn tiền xử lý văn bản có vai trò gì?

A. Chuyển đổi toàn bộ văn bản sang chữ viết thường.
B. Loại bỏ các ký tự đặc biệt và dấu câu khỏi văn bản.
C. Chia nhỏ chuỗi văn bản thành các đơn vị nhỏ hơn như từ hoặc cụm từ.
D. Xác định từ loại của từng từ trong câu văn.

💡 Lời giải chi tiết:

Trong quy trình NLP cơ bản, Tokenization là bước đầu tiên nhằm chia tách văn bản thành các 'token' riêng lẻ để làm đầu vào cho các bước phân tích tiếp theo, dẫn đến Kết luận Lý giải: Chia nhỏ chuỗi văn bản thành các đơn vị nhỏ hơn như từ hoặc cụm từ.

Câu 3: Điểm khác biệt cơ bản giữa 'Stemming' và 'Lemmatization' (Từ vị hóa) là gì?

A. Stemming luôn tạo ra các từ có nghĩa trong từ điển.
B. Lemmatization chỉ đơn giản là cắt bỏ các hậu tố của từ.
C. Stemming nhanh hơn nhưng Lemmatization đưa từ về dạng gốc có nghĩa dựa trên từ điển.
D. Lemmatization không quan tâm đến ngữ cảnh của từ trong câu.

💡 Lời giải chi tiết:

Theo phân tích kỹ thuật, Stemming sử dụng các quy tắc cắt tỉa hậu tố thô sơ, trong khi Lemmatization thực hiện phân tích hình thái để đảm bảo từ gốc trả về là một thực thể ngôn ngữ chính xác, dẫn đến Kết luận Lý giải: Stemming nhanh hơn nhưng Lemmatization đưa từ về dạng gốc có nghĩa dựa trên từ điển.

Câu 4: Việc loại bỏ 'Stop words' (Từ dừng) trong NLP thường nhằm mục đích nào sau đây?

A. Giảm nhiễu và tập trung vào các từ mang nội dung quan trọng.
B. Tăng số lượng đặc trưng cho mô hình học máy.
C. Sửa lỗi chính tả trong các câu văn bản.
D. Đảm bảo cấu trúc ngữ pháp của câu không bị thay đổi.

💡 Lời giải chi tiết:

Các từ dừng như 'và', 'của', 'là' thường xuất hiện với tần suất cao nhưng mang ít giá trị ngữ nghĩa cho việc phân loại hay tìm kiếm thông tin, dẫn đến Kết luận Lý giải: Giảm nhiễu và tập trung vào các từ mang nội dung quan trọng.

Câu 5: Mô hình N-gram trong xử lý ngôn ngữ tự nhiên được định nghĩa là gì?

A. Một chuỗi gồm n từ xuất hiện liên tiếp trong văn bản.
B. Một thuật toán để dịch n ngôn ngữ khác nhau cùng lúc.
C. Một bộ gồm n quy tắc ngữ pháp để kiểm tra câu.
D. Một phương pháp nén văn bản thành n byte dữ liệu.

💡 Lời giải chi tiết:

Trong các mô hình ngôn ngữ thống kê, N-gram là cấu trúc dữ liệu đại diện cho một dãy gồm n phần tử liên tục từ một mẫu văn bản cho trước, dẫn đến Kết luận Lý giải: Một chuỗi gồm n từ xuất hiện liên tiếp trong văn bản.

Câu 6: Nhiệm vụ 'Part-of-Speech (POS) Tagging' thực hiện công việc nào sau đây?

A. Xác định vị trí của câu trong đoạn văn.
B. Gán nhãn từ loại cho mỗi từ dựa trên định nghĩa và ngữ cảnh của nó.
C. Phát hiện các thực thể có tên như tên người hoặc địa danh.
D. Tóm tắt nội dung của một văn bản dài.

💡 Lời giải chi tiết:

Theo quy chuẩn xử lý ngôn ngữ, POS Tagging là quá trình phân tích cú pháp để dán nhãn các thành phần như danh từ, động từ, tính từ cho từng từ trong câu, dẫn đến Kết luận Lý giải: Gán nhãn từ loại cho mỗi từ dựa trên định nghĩa và ngữ cảnh của nó.

Câu 7: Trong bài toán 'Named Entity Recognition' (NER), hệ thống cố gắng trích xuất thông tin nào?

A. Các liên kết logic giữa các đoạn văn.
B. Cảm xúc tích cực hoặc tiêu cực của người viết.
C. Các thực thể xác định như tên người, tổ chức, địa điểm, thời gian.
D. Số lượng âm tiết có trong mỗi từ của văn bản.

💡 Lời giải chi tiết:

NER là một nhánh của trích xuất thông tin tập trung vào việc định danh các thành phần mang thông tin thực tế trong văn bản không cấu trúc, dẫn đến Kết luận Lý giải: Các thực thể xác định như tên người, tổ chức, địa điểm, thời gian.

Câu 8: Chỉ số TF-IDF (Term Frequency - Inverse Document Frequency) được sử dụng để làm gì?

A. Tính toán tốc độ gõ văn bản của người dùng.
B. Đánh giá mức độ quan trọng của một từ đối với một tài liệu trong một bộ sưu tập.
C. Đếm tổng số ký tự có trong một tập tin văn bản.
D. Xác định ngôn ngữ của tài liệu dựa trên tần suất từ.

💡 Lời giải chi tiết:

TF-IDF là một kỹ thuật thống kê giúp phản ánh tầm quan trọng của một từ bằng cách cân bằng giữa tần suất xuất hiện tại chỗ và độ phổ biến trên toàn bộ tập dữ liệu, dẫn đến Kết luận Lý giải: Đánh giá mức độ quan trọng của một từ đối với một tài liệu trong một bộ sưu tập.

Câu 9: Nhược điểm lớn nhất của mô hình 'Bag of Words' (Túi từ) là gì?

A. Nó yêu cầu bộ nhớ quá lớn để lưu trữ từ vựng.
B. Nó hoàn toàn bỏ qua thứ tự của các từ và cấu trúc ngữ pháp.
C. Nó không thể xử lý được các văn bản bằng tiếng Anh.
D. Nó chỉ hoạt động với các văn bản có độ dài dưới 100 từ.

💡 Lời giải chi tiết:

Vì Bag of Words chỉ quan tâm đến tần suất xuất hiện của từ mà không giữ lại thông tin về vị trí, nó làm mất đi mối liên hệ ngữ cảnh và ngữ pháp giữa các từ, dẫn đến Kết luận Lý giải: Nó hoàn toàn bỏ qua thứ tự của các từ và cấu trúc ngữ pháp.

Câu 10: Trong mô hình Word2Vec, kiến trúc 'Skip-gram' được sử dụng để làm gì?

A. Dự đoán từ hiện tại dựa trên các từ ngữ cảnh xung quanh.
B. Loại bỏ các từ không có nghĩa khỏi không gian vector.
C. Dự đoán các từ ngữ cảnh xung quanh dựa trên một từ mục tiêu cho trước.
D. Sắp xếp các từ theo thứ tự bảng chữ cái trong không gian vector.

💡 Lời giải chi tiết:

Khác với CBOW, kiến trúc Skip-gram lấy một từ làm đầu vào và cố gắng dự đoán xác suất xuất hiện của các từ trong cửa sổ ngữ cảnh lân cận, dẫn đến Kết luận Lý giải: Dự đoán các từ ngữ cảnh xung quanh dựa trên một từ mục tiêu cho trước.

Câu 11: Độ tương đồng Cosine (Cosine Similarity) thường được dùng trong NLP để làm gì?

A. Đo lường khoảng cách vật lý giữa hai máy chủ lưu trữ dữ liệu.
B. Tính toán độ dài trung bình của các câu trong văn bản.
C. Đo lường mức độ tương đồng giữa hai vector biểu diễn từ hoặc văn bản.
D. Xác định số lượng lỗi ngữ pháp trong một tài liệu.

💡 Lời giải chi tiết:

Độ tương đồng Cosine đánh giá góc giữa hai vector trong không gian đa chiều, giúp xác định mức độ gần gũi về mặt ngữ nghĩa bất kể độ dài của vector, dẫn đến Kết luận Lý giải: Đo lường mức độ tương đồng giữa hai vector biểu diễn từ hoặc văn bản.

Câu 12: Mô hình Markov ẩn (Hidden Markov Model - HMM) thường được ứng dụng hiệu quả nhất trong bài toán nào?

A. Nén dữ liệu hình ảnh văn bản.
B. Gán nhãn từ loại (POS Tagging) và nhận dạng tiếng nói.
C. Tạo ra các hình ảnh từ mô tả văn bản.
D. Kiểm tra tính hợp lệ của mã nguồn lập trình.

💡 Lời giải chi tiết:

HMM là một mô hình xác định chuỗi các trạng thái ẩn dựa trên các quan sát có thể nhìn thấy, rất phù hợp cho việc mô hình hóa các chuỗi ngôn ngữ theo thời gian, dẫn đến Kết luận Lý giải: Gán nhãn từ loại (POS Tagging) và nhận dạng tiếng nói.

Câu 13: Thuật toán Viterbi được sử dụng trong mô hình HMM với mục đích gì?

A. Để huấn luyện các trọng số của mạng thần kinh.
B. Tìm chuỗi trạng thái ẩn có khả năng xảy ra cao nhất cho một chuỗi quan sát.
C. Để ngẫu nhiên hóa các từ trong một tập dữ liệu lớn.
D. Để tính toán số lượng tham số trong mô hình ngôn ngữ.

💡 Lời giải chi tiết:

Theo lý thuyết mô hình xác suất chuỗi, thuật toán Viterbi là một giải pháp quy hoạch động giúp giải quyết bài toán giải mã (decoding) để tìm ra kịch bản tối ưu nhất, dẫn đến Kết luận Lý giải: Tìm chuỗi trạng thái ẩn có khả năng xảy ra cao nhất cho một chuỗi quan sát.

Câu 14: Vấn đề 'Vanishing Gradient' (Biến mất đạo hàm) thường gặp ở loại mạng thần kinh nào khi xử lý chuỗi dài?

A. Mạng truyền thẳng đơn giản (Simple Feedforward Networks).
B. Mạng thần kinh tích chập (CNN).
C. Mạng thần kinh hồi quy (RNN) truyền thống.
D. Các mô hình túi từ (Bag of Words).

💡 Lời giải chi tiết:

Trong RNN truyền thống, việc nhân các đạo hàm nhỏ trong quá trình lan truyền ngược qua thời gian khiến tín hiệu lỗi bị triệt tiêu, gây khó khăn cho việc học các phụ thuộc xa, dẫn đến Kết luận Lý giải: Mạng thần kinh hồi quy (RNN) truyền thống.

Câu 15: Thành phần 'Cell state' (Trạng thái ô) trong mạng LSTM đóng vai trò gì?

A. Là một bộ lọc để loại bỏ toàn bộ dữ liệu đầu vào.
B. Đóng vai trò như một 'băng chuyền' lưu giữ thông tin xuyên suốt chuỗi.
C. Chỉ dùng để lưu trữ các từ dừng trong câu.
D. Thực hiện phép nhân ma trận giữa đầu vào và đầu ra.

💡 Lời giải chi tiết:

LSTM được thiết kế với cell state giúp thông tin có thể truyền đi xa mà không bị thay đổi quá nhiều, giải quyết vấn đề trí nhớ ngắn hạn của RNN, dẫn đến Kết luận Lý giải: Đóng vai trò như một 'băng chuyền' lưu giữ thông tin xuyên suốt chuỗi.

Câu 16: Mô hình Sequence-to-Sequence (Seq2Seq) thường bao gồm hai thành phần chính nào?

A. Input Layer và Output Layer.
B. Encoder (Bộ mã hóa) và Decoder (Bộ giải mã).
C. Stemmer và Lemmatizer.
D. Tokenizer và Vectorizer.

💡 Lời giải chi tiết:

Kiến trúc Seq2Seq hoạt động bằng cách nén chuỗi đầu vào thành một vector đặc trưng thông qua Encoder và sau đó mở rộng vector đó thành chuỗi đầu ra thông qua Decoder, dẫn đến Kết luận Lý giải: Encoder (Bộ mã hóa) và Decoder (Bộ giải mã).

Câu 17: Cơ chế 'Attention' (Chú ý) được đưa vào mô hình NLP nhằm giải quyết hạn chế nào?

A. Việc máy tính không thể đọc được các tệp tin PDF.
B. Khả năng tập trung vào các phần quan trọng của chuỗi đầu vào thay vì nén tất cả vào một vector cố định.
C. Tốc độ xử lý quá nhanh làm mô hình bị quá tải dữ liệu.
D. Sự thiếu hụt dữ liệu huấn luyện cho các ngôn ngữ hiếm.

💡 Lời giải chi tiết:

Cơ chế Attention cho phép Decoder 'nhìn lại' các trạng thái cụ thể của Encoder để lấy thông tin phù hợp nhất tại mỗi bước dự đoán thay vì chỉ dựa vào một vector ngữ cảnh duy nhất, dẫn đến Kết luận Lý giải: Khả năng tập trung vào các phần quan trọng của chuỗi đầu vào thay vì nén tất cả vào một vector cố định.

Câu 18: Ưu điểm vượt trội của kiến trúc Transformer so với RNN là gì?

A. Transformer không cần sử dụng GPU để huấn luyện.
B. Transformer xử lý các từ một cách tuần tự từ trái sang phải.
C. Transformer cho phép xử lý song song toàn bộ các phần tử trong chuỗi.
D. Transformer chỉ hoạt động hiệu quả với các văn bản cực ngắn.

💡 Lời giải chi tiết:

Nhờ loại bỏ cấu trúc hồi quy tuần tự và thay thế bằng cơ chế tự chú ý, Transformer có thể xử lý đồng thời tất cả các từ, giúp tăng tốc độ huấn luyện đáng kể, dẫn đến Kết luận Lý giải: Transformer cho phép xử lý song song toàn bộ các phần tử trong chuỗi.

Câu 19: Cơ chế 'Self-Attention' trong Transformer giúp mô hình thực hiện điều gì?

A. Chỉ chú ý đến từ đầu tiên và từ cuối cùng của câu.
B. Xác định mối quan hệ giữa một từ với tất cả các từ khác trong cùng một câu.
C. Tự động dịch văn bản sang ngôn ngữ đích mà không cần từ điển.
D. Đếm số lần một từ lặp lại trong đoạn văn.

💡 Lời giải chi tiết:

Self-attention tính toán trọng số tương tác giữa các cặp từ trong chuỗi để nắm bắt ngữ cảnh và sự phụ thuộc lẫn nhau, dẫn đến Kết luận Lý giải: Xác định mối quan hệ giữa một từ với tất cả các từ khác trong cùng một câu.

Câu 20: Mô hình BERT (Bidirectional Encoder Representations from Transformers) được huấn luyện theo phương pháp nào?

A. Chỉ dự đoán từ tiếp theo trong câu dựa trên các từ đứng trước.
B. Dự đoán các từ bị che (masked) dựa trên ngữ cảnh từ cả hai phía trái và phải.
C. Huấn luyện có giám sát dựa trên các nhãn do con người dán.
D. Dịch trực tiếp từ tiếng Anh sang tiếng Việt một cách song song.

💡 Lời giải chi tiết:

BERT sử dụng nhiệm vụ Masked Language Modeling (MLM) để học hiểu ngữ cảnh hai chiều bằng cách ẩn một số từ ngẫu nhiên và yêu cầu mô hình khôi phục chúng, dẫn đến Kết luận Lý giải: Dự đoán các từ bị che (masked) dựa trên ngữ cảnh từ cả hai phía trái và phải.

Câu 21: Mô hình GPT (Generative Pre-trained Transformer) thuộc loại mô hình ngôn ngữ nào?

A. Auto-encoding (Tự mã hóa).
B. Auto-regressive (Tự hồi quy).
C. Sử dụng mạng thần kinh tích chập (CNN).
D. Hệ thống dựa trên luật (Rule-based).

💡 Lời giải chi tiết:

GPT được thiết kế theo dạng Decoder-only, dự đoán các từ tiếp theo dựa trên chuỗi các từ đã xuất hiện trước đó theo hướng một chiều, dẫn đến Kết luận Lý giải: Auto-regressive (Tự hồi quy).

Câu 22: Chỉ số BLEU (Bilingual Evaluation Understudy) thường được dùng để đánh giá chất lượng của hệ thống nào?

A. Hệ thống nhận diện khuôn mặt.
B. Các hệ thống dịch máy (Machine Translation).
C. Phần mềm kiểm tra virus máy tính.
D. Công cụ phân tích thị trường chứng khoán.

💡 Lời giải chi tiết:

BLEU đo lường sự tương đồng giữa bản dịch của máy và các bản dịch tham chiếu do con người thực hiện dựa trên sự trùng lặp n-gram, dẫn đến Kết luận Lý giải: Các hệ thống dịch máy (Machine Translation).

Câu 23: Hệ số ROUGE (Recall-Oriented Understudy for Gisting Evaluation) chủ yếu được dùng cho nhiệm vụ nào?

A. Gán nhãn từ loại.
B. Phân loại thư rác.
C. Tóm tắt văn bản tự động (Text Summarization).
D. Kiểm tra lỗi chính tả.

💡 Lời giải chi tiết:

ROUGE tập trung vào việc đo lường mức độ bao phủ (recall) của bản tóm tắt do máy tạo ra so với các bản tóm tắt chuẩn, dẫn đến Kết luận Lý giải: Tóm tắt văn bản tự động (Text Summarization).

Câu 24: Trong đánh giá mô hình ngôn ngữ, giá trị 'Perplexity' (Độ bối rối) thấp có ý nghĩa gì?

A. Mô hình đang dự đoán rất kém và không chính xác.
B. Mô hình có khả năng dự đoán chuỗi văn bản tốt hơn.
C. Mô hình đang bị quá tải dữ liệu (overfitting).
D. Từ vựng của mô hình quá nhỏ để có thể sử dụng.

💡 Lời giải chi tiết:

Perplexity là nghịch đảo của xác suất trung bình của các từ trong tập kiểm tra, do đó giá trị này càng thấp nghĩa là mô hình càng ít 'bị bất ngờ' bởi dữ liệu, dẫn đến Kết luận Lý giải: Mô hình có khả năng dự đoán chuỗi văn bản tốt hơn.

Câu 25: Kỹ thuật 'Byte Pair Encoding' (BPE) giải quyết vấn đề gì trong Tokenization?

A. Loại bỏ hoàn toàn các con số khỏi văn bản.
B. Xử lý các từ chưa từng xuất hiện (Out-Of-Vocabulary) bằng cách chia nhỏ thành các đơn vị dưới mức từ.
C. Tăng tốc độ đọc dữ liệu từ ổ đĩa cứng.
D. Chuyển đổi văn bản sang mã nhị phân 0 và 1.

💡 Lời giải chi tiết:

BPE giúp mô hình có thể biểu diễn các từ hiếm hoặc từ mới thông qua các mảnh từ (subwords) phổ biến, làm giảm hiện tượng thiếu hụt từ vựng, dẫn đến Kết luận Lý giải: Xử lý các từ chưa từng xuất hiện (Out-Of-Vocabulary) bằng cách chia nhỏ thành các đơn vị dưới mức từ.

Danh sách trắc nghiệm Làm bài tiếp theo

Danh sách các bộ trắc nghiệm:

Các bài trắc nghiệm liên quan

Bộ 2 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 177 lượt làm

Làm ngay

Bộ 3 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 194 lượt làm

Làm ngay

Bộ 4 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 211 lượt làm

Làm ngay

Bộ 5 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 228 lượt làm

Làm ngay

Bộ 6 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 245 lượt làm

Làm ngay

Bộ 7 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 262 lượt làm

Làm ngay

Bộ 1 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Kết quả của bạn:

Câu 1: Trong xử lý ngôn ngữ tự nhiên (NLP), phép thử Turing (Turing Test) được đề xuất nhằm mục đích chính là gì?

Câu 2: Kỹ thuật 'Tokenization' (Tách từ) trong giai đoạn tiền xử lý văn bản có vai trò gì?

Câu 3: Điểm khác biệt cơ bản giữa 'Stemming' và 'Lemmatization' (Từ vị hóa) là gì?

Câu 4: Việc loại bỏ 'Stop words' (Từ dừng) trong NLP thường nhằm mục đích nào sau đây?

Câu 5: Mô hình N-gram trong xử lý ngôn ngữ tự nhiên được định nghĩa là gì?

Câu 6: Nhiệm vụ 'Part-of-Speech (POS) Tagging' thực hiện công việc nào sau đây?

Câu 7: Trong bài toán 'Named Entity Recognition' (NER), hệ thống cố gắng trích xuất thông tin nào?

Câu 8: Chỉ số TF-IDF (Term Frequency - Inverse Document Frequency) được sử dụng để làm gì?

Câu 9: Nhược điểm lớn nhất của mô hình 'Bag of Words' (Túi từ) là gì?

Câu 10: Trong mô hình Word2Vec, kiến trúc 'Skip-gram' được sử dụng để làm gì?

Câu 11: Độ tương đồng Cosine (Cosine Similarity) thường được dùng trong NLP để làm gì?

Câu 12: Mô hình Markov ẩn (Hidden Markov Model - HMM) thường được ứng dụng hiệu quả nhất trong bài toán nào?

Câu 13: Thuật toán Viterbi được sử dụng trong mô hình HMM với mục đích gì?

Câu 14: Vấn đề 'Vanishing Gradient' (Biến mất đạo hàm) thường gặp ở loại mạng thần kinh nào khi xử lý chuỗi dài?

Câu 15: Thành phần 'Cell state' (Trạng thái ô) trong mạng LSTM đóng vai trò gì?

Câu 16: Mô hình Sequence-to-Sequence (Seq2Seq) thường bao gồm hai thành phần chính nào?

Câu 17: Cơ chế 'Attention' (Chú ý) được đưa vào mô hình NLP nhằm giải quyết hạn chế nào?

Câu 18: Ưu điểm vượt trội của kiến trúc Transformer so với RNN là gì?

Câu 19: Cơ chế 'Self-Attention' trong Transformer giúp mô hình thực hiện điều gì?

Câu 20: Mô hình BERT (Bidirectional Encoder Representations from Transformers) được huấn luyện theo phương pháp nào?

Câu 21: Mô hình GPT (Generative Pre-trained Transformer) thuộc loại mô hình ngôn ngữ nào?

Câu 22: Chỉ số BLEU (Bilingual Evaluation Understudy) thường được dùng để đánh giá chất lượng của hệ thống nào?

Câu 23: Hệ số ROUGE (Recall-Oriented Understudy for Gisting Evaluation) chủ yếu được dùng cho nhiệm vụ nào?

Câu 24: Trong đánh giá mô hình ngôn ngữ, giá trị 'Perplexity' (Độ bối rối) thấp có ý nghĩa gì?

Câu 25: Kỹ thuật 'Byte Pair Encoding' (BPE) giải quyết vấn đề gì trong Tokenization?

Danh sách các bộ trắc nghiệm:

Voviethoang.top

Voviethoangseo.com

Seogenz.top