Resposta correta
Explicação
O parâmetro frequency_penalty reduz a probabilidade de o modelo repetir as mesmas frases ao penalizar os tokens que já apareceram no texto gerado. Um valor de frequency_penalty mais alto (por exemplo, de 0.5 a 1.0) desencoraja o modelo de reutilizar as mesmas palavras ou frases, tornando a saída mais diversificada e natural. Isso aborda diretamente o problema de frases repetitivas nas avaliações de produtos.
Para se aprofundar
O Azure OpenAI Service expõe tanto frequency_penalty quanto presence_penalty para controlar a repetição. Frequency_penalty escala a pontuação logit de um token por um fator proporcional a quantas vezes ele já apareceu, enquanto presence_penalty aplica um bônus ou penalidade fixos se um token apareceu pelo menos uma vez. Ambos são implementados modificando os logits calculados antes da amostragem, e não por pós-filtragem do texto. Um equívoco comum é que esses parâmetros garantem uma saída lexicalmente única; na prática, eles amenizam mas não eliminam a repetição, e valores extremos podem tornar o texto não natural ou incoerente. Note também que essas penalidades interagem com temperature e top_p: uma temperatura alta pode reintroduzir aleatoriedade que anula parcialmente a penalidade, portanto o ajuste deve considerar todo o pipeline de amostragem. Compreender essas distinções é importante para controlar a qualidade gerativa em cenários como descrições de produtos.
Sobre estas questões de prática
Esta é uma das questões de prática originais de AI-900 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.
Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.