RAG-ассистент по документации отвечает уверенно и неправильно: факты выглядят правдоподобно, но в документах их нет. Что чинить и в каком порядке?
Сначала ответьте — иначе проверка превращается в чтение.
Генеративный ИИ и LLM
Generative AI & LLM
Предобучение, дообучение, RAG, агенты и оценка
Направление атласа: Генеративный ИИ · Большие языковые модели. Спрашивают: Сбер, Газпромбанк, Точка, Positive Technologies, 1С, Группа Астра и ещё 2. Закрывает проверки: Секция по LLM, RAG и агентам (6).
Что нужно знать про языковые и генеративные модели в продакшене: как их дообучают экономно, чем RAG отличается от fine-tuning, как оценивать ответы и какие риски приходят вместе с агентами.
15вопросов в заходе
24всего в банке
4оси знаний
~11минут на прохождение
АрхитектураДообучениеRAGОценка и риски
- Отвечаете на вопрос — сразу видите разбор, а не только «верно/неверно».
- В конце получаете результат по осям и список тем, которые стоит перечитать.
- Темы с ошибками ставятся на повторение — кабинет напомнит о них через 3, 7 и 21 день.
Открытые задачи
2 задачи без вариантов ответа — такие дают на собеседовании уровня middle и senior. Ответ проверяется по чек-листу: он остаётся в браузере и не идёт в результат теста.
Открытая модель на 70 млрд параметров, карта на 80 ГБ, нужно 60 параллельных сессий с контекстом до 8 000 токенов. Что предложите?
Сначала ответьте — иначе проверка превращается в чтение.