Respuesta correcta
Explicación
El parámetro frequency_penalty reduce la probabilidad de que el modelo repita las mismas frases al penalizar los tokens que ya han aparecido en el texto generado. Un valor de frequency_penalty más alto (por ejemplo, de 0.5 a 1.0) disuade al modelo de reutilizar las mismas palabras o frases, haciendo que el resultado sea más diverso y natural. Esto aborda directamente el problema de las frases repetitivas en las reseñas de productos.
Para profundizar
Azure OpenAI Service expone tanto frequency_penalty como presence_penalty para controlar la repetición. Frequency_penalty escala la puntuación logit de un token por un factor proporcional a la frecuencia con la que ya ha aparecido, mientras que presence_penalty aplica una bonificación o penalización fija si un token ha aparecido al menos una vez. Ambos se implementan modificando los logits calculados antes del muestreo, no mediante un post-filtrado del texto. Una idea errónea común es que estos parámetros garantizan un resultado lécnicamente único; en la práctica, atenúan pero no eliminan la repetición, y los valores extremos pueden hacer que el texto sea antinatural o incoherente. Observe también que estas penalizaciones interactúan con temperature y top_p: una temperatura alta puede reintroducir aleatoriedad que anula parcialmente la penalización, por lo que el ajuste debe considerar todo el proceso de muestreo. Comprender estas distinciones es importante para controlar la calidad generativa en escenarios como las descripciones de productos.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.