Přejít k hlavnímu obsahu
🔒 Režim náhledu. Prvních patnáct lekcí Foundations je zdarma; tato je Pro. Spusťte 7denní trial pro odemčení editoru, AI nápověd a zbytku kurzu. Karta vyžadována, zrušte kdykoli v Dashboard.
Spustit 7denní trial →
⚡
← Kurzy
›
AI Engineering with Python
›
Module 1 · LLM API Fundamentals · Recap
›
RAG: proč získávání předčí surové nabádání
quiz
33 / 105
🇨🇿
CS
▼
↗
Sdílet
⋯
Více
+100 XP
📋
Úkol
📖
Teorie
🤖
Pomoc AI
Úkol
🌐 shown in EN
📝 **Otázka:** Kdy zvolit RAG před doladěním modelu? 📋 Vyberte správnou odpověď. 💡 **Tip:** Pokud si nejste jisti, přečtěte si znovu teorii výše.
🎯 Kvíz
Otázka
📝 **Otázka:** Kdy zvolit RAG před doladěním modelu? 📋 Vyberte správnou odpověď. 💡 **Tip:** Pokud si nejste jisti, přečtěte si znovu teorii výše.
A
Always — modern open-weights and per-tenant LoRA adapters have made fine-tuning slower and more expensive than retrieval for every workload
B
When your knowledge base changes frequently, you need to show citations, and your budget can't sustain regular fine-tuning runs
C
Only when you're locked to a smaller model and need to compensate for its weak reasoning by stuffing every relevant doc into context
D
Never — fine-tuning embeds knowledge directly into weights and so beats RAG on latency, accuracy and operability for production work
Odpovědět
💬 Diskuze
Buď první — polož otázku nebo se podělej o tip.
Přihlas se
abys se zapojil do diskuze. Čtení je zdarma.
Načítání diskuze…