2.3標準
同じプロンプトから、創作文章と定型分類を生成する。
出力のばらつきを調整する。
説明として適切なものを2つ選べ。
× 不正解
temperatureは生成時の候補選択のランダム性に関わり、高いほど多様になりやすい。用途ごとに値を試し、事実性や形式遵守を評価する。
詳細解説
正しいtemperatureを上げると候補選択のばらつきが増え、創造的な出力に向く場合がある
確率分布からの選択が広がる。
確率分布からの選択が広がる。
問題の要件では、temperatureを上げると候補選択のばらつきが増え、創造的な出力に向く場合があるが解決する範囲と、別の工程が担う範囲を分けて判断する。
正しい定型的な分類や抽出では低いtemperatureを試し、正確性を評価する
不要な揺らぎを抑えられる。
不要な揺らぎを抑えられる。
問題の要件では、定型的な分類や抽出では低いtemperatureを試し、正確性を評価するが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤りtemperatureを上げれば事実誤りが必ずなくなる
創造性と正確性は別の評価である。
創造性と正確性は別の評価である。
問題の要件では、temperatureを上げれば事実誤りが必ずなくなるが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤りtemperatureはモデルの学習データを更新する設定である
生成時のサンプリング設定である。
生成時のサンプリング設定である。
問題の要件では、temperatureはモデルの学習データを更新する設定であるが解決する範囲と、別の工程が担う範囲を分けて判断する。
実際に確かめる
一時的な検証環境で実行できる例です。
AWS公式AIF-C01 Domain 2.3のtemperature、サンプリング、生成制御を確認する。期待される結果
生成の多様性と定型タスクの安定性をtemperatureの観点で比較できる。理解のポイント
- temperature
- サンプリング
- ばらつき
確認時の注意
- 確認環境: AWS公式AIF-C01試験ガイドとAWS公式ドキュメントの確認
- AWS公式ドキュメントで、対象サービスが提供する機能と前提条件を確認する。
- モデル、データ、アプリケーション、利用者の責任分界を混同しない。
基礎のおさらい
temperature
生成時に次の候補を選ぶ確率分布の鋭さやランダム性を調整する値。
サンプリング
モデルが出した候補確率から実際のトークンを選ぶ処理。
問題IDAWS-AIF-418
確認環境AWS公式AIF-C01試験ガイドとAWS公式ドキュメントの確認
最終技術確認2026-08-20
誤り・権利侵害を報告