API Developer Path – Examen blanc 1

Ceci est un examen blanc indépendant complet, pondéré selon le blueprint, pour le parcours développeur API, construit à partir des objectifs d’apprentissage OpenAI et de la documentation produit accessibles au public. Il n’est pas une évaluation officielle OpenAI et n’est pas l’évaluation Academy : les badges Academy et les certificats de parcours ne sont pas des certifications. Les 60 items sont inédits et ne reprennent pas les questions des pages de domaine. Utilisez-le comme session diagnostique avant l’Examen blanc 2 plus difficile.

Consignes

Durée : 90 minutes pour 60 items — le rythme qu’utilise notre examen blanc ; OpenAI ne publie pas de durée d’examen publique.
Items : 60, à réponse unique et à réponses multiples. Chaque item indique combien de réponses sélectionner.
Sélection : pour un item Sélectionnez deux réponses, vous devez choisir les deux bonnes options et aucune mauvaise pour obtenir le point. Il n’y a aucune pénalité pour les mauvaises réponses, alors répondez à chaque question.
Objectif : visez au moins 80 % brut (environ 48 sur 60) avant de passer la véritable évaluation Academy, qui réussit à la même barre de 80 %.
Traitez chaque question avant de déployer la réponse.

Répartition par domaine

#	Domaine	Items ici
D1	Scoping AI Solutions	7
D2	The Responses API and Model Selection	11
D3	Evaluating AI Applications	10
D4	Designing and Building Agentic Systems	11
D5	Retrieval-Augmented Generation	9
D6	Performance, Latency and Cost	7
D7	Production Safety and Operations	5

Total : 7 + 11 + 10 + 11 + 9 + 7 + 5 = 60 items.

Interprétation de la préparation

Ceci est un indicateur de préparation indépendant, pas un score officiel.

Score brut (sur 60)	Palier	Interprétation
54–60 (90 %+)	Forte préparation	À l’aise sur tous les domaines
48–53 (80–89 %)	Prêt pour l’évaluation	Au niveau ou au-dessus de la barre Academy des 80 % ; peaufinez les domaines faibles
42–47 (70–79 %)	Confiance en construction	Proche ; ciblez les domaines qui vous ont coûté des points
moins de 42 (moins de 70 %)	Continuez à apprendre	Revoyez les pages de domaine avant de recommencer

Passer l’examen blanc

Deux façons d’utiliser les questions ci-dessous : le mode interactif lance une session chronométrée, une question à la fois, et se termine par votre score, une ventilation par domaine et une correction complète ; le mode révision en dessous liste chaque question avec ses options une par ligne et la réponse masquée jusqu’à ce que vous la demandiez.

Mode interactif

Passer l’examen d’entraînement

60 questions · une à la fois · compte à rebours de 90 minutes · résultats avec répartition par domaine et correction complète à la fin. Votre progression est enregistrée dans ce navigateur si vous quittez la page.

Limite de temps Mélanger l’ordre des questions

OAI-APIExamen d’entraînement

Question 1 sur 60

--:--

Toutes les questions (mode révision)

Les options sont présentées une par ligne. La réponse et l’explication restent masquées jusqu’à ce que vous cliquiez sur Afficher la réponse. Utilisez le mode interactif ci-dessus pour une session chronométrée.

Q1D1 · Cadrage des solutions d’IASélectionnez une réponse
Un décideur décrit un objectif ainsi : « rendre le chatbot plus intelligent ». Avant d’écrire la moindre ligne de code, qu’est-ce qui transforme cela en un problème cadrable ?
- A. Définir la tâche précise, l’utilisateur, l’entrée, la sortie attendue et une mesure de succès mesurable
- B. Choisir le modèle le plus capable pour que la qualité ne soit jamais le facteur limitant
- C. Commencer immédiatement à constituer un jeu de données de fine-tuning
- D. Construire un prototype et itérer plus tard sur les retours des parties prenantes
Afficher la réponse
Réponse : A.
Le cadrage transforme un souhait vague en une tâche dotée d’une entrée, d’une sortie, d’un utilisateur et d’une mesure de succès mesurable définis, ce dont dépend chaque décision ultérieure. B saute au modèle avant que le problème ne soit connu et gaspille le budget. C présume que le fine-tuning est nécessaire avant même qu’une définition de tâche existe. D fait l’impasse sur la définition que le prototype servirait justement à tester, si bien que les retours seraient sans cap.
Q2D1 · Cadrage des solutions d’IASélectionnez une réponse
Parmi les besoins suivants, lequel est une exigence déterministe qui ne devrait PAS s’appuyer sur un modèle de langage comme source de vérité ?
- A. Calculer le solde exact restant dû d’un compte à partir des lignes du grand livre
- B. Résumer le ton d’un e-mail client
- C. Rédiger une suggestion de réponse qu’un agent éditera
- D. Classer un ticket dans l’une de cinq catégories
Afficher la réponse
Réponse : A.
Un solde exact doit provenir d’un calcul arithmétique sur des données faisant autorité, et non d’un modèle qui peut approximer ; le modèle peut le présenter ou l’expliquer, mais pas le calculer comme vérité. B, C et D sont des tâches de jugement ou de langage où une sortie approximative et révisable est acceptable, ce qui est précisément là où les modèles trouvent leur place.
Q3D1 · Cadrage des solutions d’IASélectionnez une réponse
Une équipe doit choisir entre construire une chaîne de transcription sur mesure et acheter un produit hébergé pour la transcription des appels de support. Quel facteur favorise LE PLUS l’achat ?
- A. La transcription est une capacité banalisée, avec des offres hébergées matures et aucun avantage concurrentiel
- B. L’équipe aime construire de l’infrastructure
- C. Ils veulent éviter par principe toute API tierce
- D. Ils disposent d’une grande équipe de recherche en ML qui a du temps libre
Afficher la réponse
Réponse : A.
On achète lorsque la capacité est banalisée, n’apporte aucune différenciation et qu’il existe des produits matures, afin que l’effort porte sur le produit. B est une préférence, pas une raison métier. C est une contrainte qui plaiderait contre l’achat, non en sa faveur. D évoque une capacité à construire, mais une capacité n’est pas une raison de construire quelque chose sans valeur de différenciation.
Q4D1 · Cadrage des solutions d’IASélectionnez une réponse
Vous cadrez un outil de résumé pour 40 000 documents par jour, à environ 1 200 tokens d’entrée et 200 tokens de sortie chacun ; gpt-5.6-luna atteint le seuil de qualité. Luna coûte $0.20 par million de tokens d’entrée et $1.20 par million de tokens de sortie. Quel est approximativement le coût quotidien ?
- A. Environ $19 par jour
- B. Environ $2 par jour
- C. Environ $58 par jour
- D. Environ $190 par jour
Afficher la réponse
Réponse : A.
Entrée : 40 000 x 1 200 = 48M tokens x $0.20/M = $9.60. Sortie : 40 000 x 200 = 8M tokens x $1.20/M = $9.60. Total ~$19.20/jour, donc A. B sous-estime d’un ordre de grandeur, C applique des tarifs de type Terra et D est dix fois trop élevé.
Q5D1 · Cadrage des solutions d’IASélectionnez deux réponses
Un décideur veut une fonctionnalité d’IA qui approuve automatiquement les notes de frais et les enregistre au grand livre sans revue humaine. Quels DEUX points doivent façonner votre cadrage ?
- A. L’étape d’enregistrement est irréversible : elle nécessite une porte d’approbation humaine ou une phase de préparation réversible avant validation
- B. Les totaux du grand livre doivent être calculés de façon déterministe, non générés par le modèle
- C. Le modèle le plus coûteux garantit que les chiffres seront corrects
- D. Aucune mesure de succès n’est nécessaire puisque le flux est entièrement automatisé
- E. Les évaluations sont inutiles dès que le prompt paraît bon sur quelques exemples
Afficher la réponse
Réponse : A et B.
A reconnaît qu’une action irréversible exige une porte ou une préparation réversible, et B maintient l’arithmétique déterministe : les deux redessinent la conception. C est faux : un modèle plus grand ne rend pas l’arithmétique générée digne de foi. D est erroné car l’automatisation renforce, et non supprime, le besoin d’une mesure. E écarte l’évaluation, ce qu’exige précisément une fonctionnalité qui déplace de l’argent.
Q6D1 · Cadrage des solutions d’IASélectionnez une réponse
Un directeur veut imposer gpt-6-astra pour chaque fonctionnalité « par prudence ». Une tâche d’extraction à fort volume passe votre évaluation à 96 % sur gpt-5.6-luna. Quelle est la MEILLEURE réponse ?
- A. Montrer le résultat d’évaluation et l’écart de coût, et recommander Luna pour cette tâche, en réservant Astra aux tâches qui l’exigent
- B. Se conformer et tout exécuter sur Astra pour éviter la discussion
- C. Passer à un concurrent pour échapper à la consigne
- D. Exécuter les deux modèles sur chaque requête et comparer
Afficher la réponse
Réponse : A.
La sélection du modèle se fait par tâche et se pilote sur les résultats d’évaluation face au seuil de qualité et au coût ; présenter les preuves permet à l’équipe de choisir Luna là où il suffit. B gaspille de larges multiples de coût sans gain de qualité. C est disproportionné. D double le coût et la latence sur chaque requête sans valeur en production.
Q7D1 · Cadrage des solutions d’IASélectionnez une réponse
Pendant le cadrage, vous apprenez qu’une fonctionnalité doit répondre pendant qu’un utilisateur attend ET qu’une autre doit résorber une file nocturne de 3M d’éléments. Que conclut un cadrage correct ?
- A. Ce sont deux charges de travail aux besoins de latence différents, probablement à des paliers de traitement différents, qu’il faut cadrer séparément
- B. Un seul modèle et un seul palier de traitement devraient servir les deux pour rester simple
- C. Les deux devraient utiliser la Batch API pour le coût
- D. Les deux devraient utiliser le streaming synchrone pour satisfaire les utilisateurs
Afficher la réponse
Réponse : A.
Les charges interactives et de masse ont des profils de latence opposés : le cadrage les traite donc séparément et peut retenir Batch pour la file et un traitement à faible latence pour le chemin interactif. B impose un seul palier à des besoins incompatibles. C rendrait la fonctionnalité interactive inutilisablement lente. D gaspillerait de l’argent et n’apporterait aucun bénéfice sur la file.
Q8D2 · La Responses API et la sélection du modèleSélectionnez une réponse
Pour une nouvelle intégration d’API en septembre 2026, sur quelle interface bâtir sur le long terme ?
- A. La Responses API, l’interface principale pour les nouveaux travaux
- B. La Chat Completions API, parce qu’elle est la plus récente
- C. L’Assistants API, désormais le choix par défaut recommandé
- D. L’Agent Builder, l’interface principale
Afficher la réponse
Réponse : A.
La Responses API est l’interface principale pour les nouveaux travaux ; Chat Completions relève du legacy pour les nouvelles constructions. B présente à tort Chat Completions comme récente. C et D sont fausses : Assistants et Agent Builder sont regroupés sous les Legacy APIs, et non le choix par défaut recommandé.
Q9D2 · La Responses API et la sélection du modèleSélectionnez une réponse
Vous devez faire tourner gpt-5.6-terra avec le moins de « réflexion » possible tout en passant votre évaluation. Quel principe s’applique ?
- A. Utiliser le plus faible reasoning effort qui produit le résultat
- B. Toujours utiliser l’effort max pour la justesse
- C. Recopier le réglage d’effort exact utilisé sur GPT-5.5
- D. Le reasoning effort n’a aucun impact sur le coût ni la latence
Afficher la réponse
Réponse : A.
La consigne documentée est d’utiliser le plus faible reasoning effort qui produit le résultat, car un effort plus élevé ajoute de la latence et du coût. B surdépense par défaut. C est faux : il n’existe pas de correspondance exacte entre les efforts de GPT-5.5 et ceux de GPT-5.6. D est faux puisque davantage de raisonnement signifie généralement plus de tokens, de latence et de coût.
Q10D2 · La Responses API et la sélection du modèleSélectionnez une réponse
Un service de classification doit émettre {"queue": "...", "priority": 1} que le code en aval parse sans nettoyage défensif. Quel est le MEILLEUR mécanisme ?
- A. Demander des structured outputs liés à un schéma, de sorte que la forme soit garantie
- B. Demander poliment au modèle de « ne renvoyer que du JSON valide » dans le prompt
- C. Post-traiter du texte libre avec des expressions régulières
- D. Augmenter la température pour que le modèle soit plus créatif dans le formatage
Afficher la réponse
Réponse : A.
Des structured outputs liés à un schéma garantissent la forme parsable. B est une demande que le modèle peut tout de même enfreindre. C est fragile et échoue sur les cas limites. D rend la sortie moins prévisible, à l’opposé du besoin.
Q11D2 · La Responses API et la sélection du modèleSélectionnez une réponse
Un assistant doit récupérer, pour répondre, le palier d’abonnement en direct d’un client auprès d’un service de facturation interne. Quel est le mécanisme correct ?
- A. Le function calling : exposer un outil que le modèle peut invoquer pour lire le service de facturation
- B. S’appuyer sur la connaissance du client issue de l’entraînement du modèle
- C. Coller l’intégralité de la base de facturation dans le system prompt
- D. Augmenter le nombre maximal de tokens de sortie pour que le modèle se rappelle plus de détails
Afficher la réponse
Réponse : A.
Des données en direct, propres à chaque client, doivent être récupérées au moment de la requête via un outil appelé par le modèle, c’est-à-dire du function calling. B est impossible : le modèle ne connaît pas l’état en direct d’un compte. C est irréalisable et présente un risque d’exposition de données. D confond la longueur de sortie avec l’accès aux données.
Q12D2 · La Responses API et la sélection du modèleSélectionnez une réponse
Une tâche d’extraction à fort volume s’exécute 3M de fois par jour et gpt-5.6-luna passe votre évaluation à 97 %. Quel modèle déployer ?
- A. gpt-5.6-luna, parce qu’il atteint le seuil au coût le plus bas pour un travail clairement à fort volume
- B. gpt-6-astra, parce que plus de capacité est toujours plus sûr
- C. gpt-5.6-sol, pour garder de la marge
- D. gpt-5.5-pro, l’ancien fleuron
Afficher la réponse
Réponse : A.
Luna est conçu pour les tâches claires, répétables et à fort volume, et il atteint déjà le seuil de qualité : c’est donc le choix correct le moins cher. B, C et D coûtent tous des multiples de plus pour une tâche que Luna réussit, sans justification de qualité, et D choisit en outre un modèle de génération précédente plus coûteux.
Q13D2 · La Responses API et la sélection du modèleSélectionnez une réponse
Vous devez maintenir une conversation à deux tours sans renvoyer le texte du premier tour au second appel. Quelle fonctionnalité de la Responses API le permet ?
- A. L’état de conversation côté serveur, qui relie la relance à la réponse précédente
- B. Régler une température plus élevée au second appel
- C. Concaténer manuellement tout le texte précédent à chaque fois est la seule option
- D. Faire du fine-tuning du modèle sur le premier tour
Afficher la réponse
Réponse : A.
La Responses API prend en charge l’état de conversation côté serveur, si bien qu’une relance référence la réponse précédente sans en renvoyer le texte. B est sans rapport avec l’état. C est précisément ce que l’état de conversation existe pour éviter. D est une opération d’entraînement, non un moyen de porter une conversation unique.
Q14D2 · La Responses API et la sélection du modèleSélectionnez une réponse
Une exécution doit se poursuivre après la fin d’une unique requête HTTP et signaler sa progression via streaming ou webhooks. Quelle fonctionnalité de la Responses API convient ?
- A. Le background mode, qui permet à une exécution de survivre à une seule requête
- B. Le prompt caching
- C. Les predicted outputs
- D. Un nombre maximal de tokens de sortie plus élevé
Afficher la réponse
Réponse : A.
Le background mode permet à une tâche de longue durée de se poursuivre au-delà d’une requête HTTP et d’être suivie via streaming ou webhooks. B réduit le coût sur les préfixes répétés mais ne détache pas l’exécution. C accélère les éditions, sans rapport avec la durée de vie. D n’affecte que la longueur de la réponse.
Q15D2 · La Responses API et la sélection du modèleSélectionnez deux réponses
Quelles DEUX pratiques réduisent le coût des tokens d’entrée sur une conversation multi-tours très longue sans supprimer le contexte nécessaire ?
- A. Utiliser la compaction pour résumer les tours plus anciens tout en gardant le détail récent
- B. S’appuyer sur l’état de conversation côté serveur plutôt que de renvoyer tout l’historique à chaque appel
- C. Porter le reasoning effort à max
- D. Augmenter la température
- E. Basculer chaque appel sur gpt-6-astra
Afficher la réponse
Réponse : A et B.
La compaction résume l’historique périmé et l’état de conversation évite de renvoyer le texte antérieur, tous deux réduisant les tokens d’entrée. C augmente la dépense et la latence. D change l’aléa, pas les tokens. E relève le prix par token, aggravant le coût.
Q16D2 · La Responses API et la sélection du modèleSélectionnez une réponse
Quand vous lisez un résultat de la Responses API issu d’un modèle de raisonnement qui a aussi appelé un outil, pourquoi indexer le premier élément de sortie peut-il être peu fiable pour le texte de réponse ?
- A. La sortie est une séquence d’éléments typés pouvant inclure des éléments de raisonnement et d’appel d’outil ; il faut lire le texte de sortie agrégé plutôt que supposer que l’élément zéro est la réponse
- B. Le premier élément est toujours une erreur
- C. Les modèles de raisonnement ne produisent jamais de texte en sortie
- D. Les appels d’outil écrasent tous les éléments de texte
Afficher la réponse
Réponse : A.
Une réponse est une liste d’éléments typés ; des éléments de raisonnement et d’appel d’outil peuvent précéder le message, donc le code doit utiliser l’assistant de texte de sortie agrégé plutôt qu’un index fixe. B, C et D sont des généralisations fausses qui casseraient dans le cas courant où texte et éléments d’outil coexistent.
Q17D2 · La Responses API et la sélection du modèleSélectionnez une réponse
Une analyse complexe, ouverte et à forte valeur échoue sur gpt-5.6-terra dans votre évaluation, et le volume est faible. Quel est le MEILLEUR modèle à essayer ensuite ?
- A. gpt-5.6-sol, conçu pour le travail complexe, ouvert et à forte valeur
- B. gpt-5.6-luna, pour économiser
- C. gpt-5.5, la génération précédente
- D. Rester sur Terra et augmenter la température
Afficher la réponse
Réponse : A.
Sol est positionné pour le travail complexe, ouvert et à forte valeur, et constitue la montée en gamme naturelle depuis Terra, d’autant qu’à faible volume son prix pèse moins. B descend l’échelle de capacité pour une tâche que Terra a déjà échouée. C recule d’une génération. D change l’aléa, pas la capacité.
Q18D2 · La Responses API et la sélection du modèleSélectionnez une réponse
Qu’est-ce qui est VRAI à propos des niveaux de reasoning effort de la famille GPT-5.6 ?
- A. Sol, Terra et Luna prennent en charge de none à max ; Astra ajoute xhigh
- B. Seul Astra prend en charge le reasoning effort
- C. Les réglages d’effort correspondent un pour un à ceux de GPT-5.5
- D. L’effort ne peut pas être réglé en dessous de high
Afficher la réponse
Réponse : A.
D’après le tableau des modèles, les modèles GPT-5.6 prennent en charge de none à max, et Astra offre en plus xhigh. B est faux puisque Sol, Terra et Luna acceptent aussi l’effort. C est explicitement démenti par la documentation. D est inventé ; none et low sont disponibles.
Q19D3 · Évaluation des applications d’IASélectionnez une réponse
Un développeur modifie un prompt, vérifie deux exemples qui semblent meilleurs, et veut livrer. Que doit-il faire D’ABORD ?
- A. Exécuter la modification sur un jeu d’évaluation représentatif et comparer à la référence
- B. Déployer et guetter les plaintes
- C. Demander à un collègue si ça a l’air correct
- D. Monter le palier de modèle par prudence
Afficher la réponse
Réponse : A.
Deux exemples ne peuvent montrer si une modification aide globalement ; une évaluation représentative comparée à une référence le peut. B livre à l’aveugle. C est anecdotique. D change le coût sans preuve que la modification du prompt est même bonne.
Q20D3 · Évaluation des applications d’IASélectionnez une réponse
Vous devez noter si des champs de facture extraits correspondent exactement à la vérité terrain. Quel évaluateur est le MEILLEUR ?
- A. Un évaluateur par correspondance exacte de chaînes face aux valeurs correctes connues
- B. Un LLM-as-judge notant la qualité générale
- C. Une revue humaine de chaque élément, pour toujours
- D. Un évaluateur de similarité sémantique
Afficher la réponse
Réponse : A.
La correspondance exacte de champs face à la vérité terrain est un contrôle déterministe : un évaluateur de chaîne/correspondance exacte est donc précis et peu coûteux. B ajoute du bruit et du coût pour une tâche à réponse définie. C ne passe pas à l’échelle. D laisserait passer des quasi-correspondances qui doivent être exactes.
Q21D3 · Évaluation des applications d’IASélectionnez une réponse
Quelle est la différence entre évaluation hors ligne et évaluation en ligne ?
- A. L’évaluation hors ligne s’exécute sur un jeu de données figé avant le déploiement ; l’évaluation en ligne mesure le comportement sur le trafic de production réel
- B. Le hors ligne sert uniquement à l’entraînement ; l’en ligne uniquement aux tests
- C. Ce sont deux noms pour la même chose
- D. L’évaluation en ligne supprime le besoin de tout jeu de données
Afficher la réponse
Réponse : A.
L’évaluation hors ligne utilise un jeu de données constitué avant la mise en production ; l’évaluation en ligne observe le trafic réel pour détecter des entrées que le jeu de données ne contenait pas. B se trompe sur leurs finalités. C nie une distinction réelle. D est faux : l’en ligne complète les jeux hors ligne, sans les remplacer.
Q22D3 · Évaluation des applications d’IASélectionnez une réponse
Avant de faire confiance à un évaluateur LLM-as-judge qui note la fidélité de résumés, que devez-vous faire ?
- A. Valider le juge par rapport à des annotations humaines sur un échantillon pour confirmer qu’il s’accorde avec les personnes
- B. Supposer qu’il est correct parce que c’est un grand modèle
- C. Utiliser le même modèle comme générateur et comme juge sans vérifier
- D. Sauter le jeu de données et noter uniquement en production
Afficher la réponse
Réponse : A.
Un juge automatique n’est digne de confiance qu’une fois calibré par rapport à des annotations humaines sur un échantillon. B est une confiance non méritée. C risque de faire favoriser au juge son propre style sans vérification. D supprime la comparaison contrôlée dont la calibration a besoin.
Q23D3 · Évaluation des applications d’IASélectionnez une réponse
Une équipe n’exécute que des évaluations hors ligne et subit sans cesse des échecs en production sur des formulations jamais présentes dans son jeu de données. Que manque-t-il ?
- A. L’évaluation en ligne et l’échantillonnage du trafic réel pour enrichir le jeu de données
- B. Un modèle plus coûteux
- C. Un réglage de nombre maximal de tokens de sortie plus élevé
- D. Davantage de reasoning effort
Afficher la réponse
Réponse : A.
Les échecs sur des formulations inédites sont exactement ce que l’évaluation en ligne et l’échantillonnage du trafic détectent, en réinjectant de nouveaux cas dans le jeu de données. B, C et D changent le comportement du modèle mais ne font rien pour faire apparaître les entrées que le jeu hors ligne ne couvrait pas.
Q24D3 · Évaluation des applications d’IASélectionnez deux réponses
Quelles DEUX raisons sont légitimes pour inclure une revue humaine dans un processus d’évaluation ?
- A. Pour calibrer un juge automatique par rapport au jugement humain sur un échantillon
- B. Pour trancher les cas à fort enjeu ou ambigus sur lesquels les évaluateurs sont en désaccord
- C. Pour relire chaque requête de production, pour toujours
- D. Pour remplacer entièrement le jeu d’évaluation
- E. Pour ralentir volontairement l’évaluation
Afficher la réponse
Réponse : A et B.
La revue humaine calibre les juges et tranche les cas à fort enjeu ou ambigus. C ne passe pas à l’échelle et n’est pas le but de la revue. D écarte le jeu de données réutilisable que les humains aident à construire. E n’est pas une raison du tout.
Q25D3 · Évaluation des applications d’IASélectionnez deux réponses
Quels DEUX objectifs sert le fait de conserver un score d’évaluation de référence ?
- A. Détecter si une modification de prompt, de modèle ou de pipeline est une amélioration
- B. Détecter si une modification est une régression avant sa livraison
- C. Renseigner un champ obligatoire de la plateforme
- D. Faire paraître le tableau de bord complet
- E. Remplacer le besoin d’évaluation en ligne
Afficher la réponse
Réponse : A et B.
Une référence est le repère qui permet de voir à la fois les améliorations et les régressions apportées par une modification. C invente une exigence de plateforme. D est cosmétique. E est faux : les références et l’évaluation en ligne répondent à des besoins différents, l’une ne remplaçant pas l’autre.
Q26D3 · Évaluation des applications d’IASélectionnez une réponse
Comment décrire l’Evals API compte tenu de la structure actuelle de la documentation OpenAI ?
- A. L’Evals API, désormais regroupée avec les Legacy APIs, bien que les évaluations restent importantes sur le plan conceptuel
- B. La surface principale la plus récente et recommandée
- C. Une fonctionnalité dépréciée qui ne fonctionne plus
- D. Une partie du cœur de la Responses API
Afficher la réponse
Réponse : A.
La documentation regroupe les Evals sous les Legacy APIs tandis que les évaluations restent conceptuellement importantes ; A est donc le cadrage exact. B surestime son statut. C est faux : legacy ne signifie pas retiré. D la place à tort au cœur de la Responses.
Q27D3 · Évaluation des applications d’IASélectionnez une réponse
Votre jeu d’évaluation compte 10 éléments et les scores varient fortement d’une exécution à l’autre. Quel est le problème LE PLUS probable ?
- A. Le jeu de données est trop petit pour fournir une estimation stable
- B. Le modèle est cassé
- C. Les évaluateurs sont tous erronés
- D. Le reasoning effort est trop faible
Afficher la réponse
Réponse : A.
Avec seulement 10 éléments, un seul basculement déplace fortement le pourcentage : l’instabilité est donc un problème de taille d’échantillon ; agrandissez le jeu. B, C et D sont possibles en général, mais le symptôme décrit — de fortes variations sur un jeu minuscule — pointe clairement vers des données insuffisantes.
Q28D3 · Évaluation des applications d’IASélectionnez une réponse
Une évaluation de réponses ancrées vérifie si les réponses sont étayées par le contexte récupéré. Quand doit-elle être ré-exécutée ?
- A. À chaque changement du pipeline de récupération, du chunking, du prompt ou du modèle
- B. Une seule fois, au lancement initial
- C. Jamais, si le premier résultat était bon
- D. Seulement quand un client se plaint
Afficher la réponse
Réponse : A.
Tout changement de récupération, de chunking, de prompt ou de modèle peut altérer l’ancrage : l’évaluation est donc ré-exécutée à chacun de ces changements. B et C figent l’évaluation pendant que le système évolue. D est réactif et laisse des régressions être livrées inaperçues.
Q29D4 · Conception et construction de systèmes agentiquesSélectionnez une réponse
Vous voulez qu’OpenAI exécute et reprenne une session d’agent durable, de plusieurs heures, avec compaction du contexte gérée. Quel runtime convient le MIEUX ?
- A. L’Agents API, le harnais géré d’OpenAI pour les sessions cloud durables
- B. La Responses API avec votre propre boucle
- C. L’Agents SDK open source que vous hébergez vous-même
- D. Chat Completions dans une tâche cron
Afficher la réponse
Réponse : A.
L’Agents API est le harnais géré par OpenAI qui exécute les sessions, l’orchestration, la compaction du contexte et la reprise, ce qui correspond à un travail durable de plusieurs heures. B et C font peser sur vous la charge de la durabilité et de la reprise. D n’a aucune mécanique de session, de reprise ni de compaction.
Q30D4 · Conception et construction de systèmes agentiquesSélectionnez une réponse
Une équipe veut un contrôle code-first sur une orchestration multi-étapes sur mesure qu’elle exécute sur ses propres serveurs. Quel runtime convient le MIEUX ?
- A. L’Agents SDK, un framework open source que vous exécutez vous-même
- B. Le harnais géré de l’Agents API
- C. La Batch API
- D. Chat Completions uniquement
Afficher la réponse
Réponse : A.
L’Agents SDK offre une orchestration code-first auto-hébergée et des garde-fous, ce qui correspond au besoin d’exécution sur leurs propres serveurs. B est géré par OpenAI, non auto-hébergé. C sert aux traitements de masse hors ligne. D n’a pas les primitives d’orchestration et de garde-fous que le SDK fournit.
Q31D4 · Conception et construction de systèmes agentiquesSélectionnez une réponse
Une banque de l’UE exige une résidence des données dans l’UE et une rétention nulle des données. L’Agents API est-elle éligible ?
- A. Non : l’Agents API n’offre qu’une résidence des données aux États-Unis, sans ZDR, et un sandbox auto-hébergé n’y change rien
- B. Oui, s’ils règlent l’en-tête de région sur EU
- C. Oui, le ZDR est activé par défaut
- D. Oui, une fois Private Link activé
Afficher la réponse
Réponse : A.
L’Agents API n’offre qu’une résidence des données aux États-Unis, sans ZDR, et choisir un sandbox auto-hébergé ne lève pas ces contraintes. B invente un en-tête de région. C est faux ; le ZDR n’est pas proposé. D confond confidentialité réseau avec résidence et rétention.
Q32D4 · Conception et construction de systèmes agentiquesSélectionnez une réponse
Quelle est la bonne façon de permettre à un agent de lire un dépôt interne via un protocole standard ?
- A. L’exposer via un serveur MCP auquel l’agent se connecte
- B. Coller l’intégralité du dépôt dans le prompt à chaque tour
- C. Faire du fine-tuning du modèle sur le dépôt chaque nuit
- D. Donner à l’agent votre clé SSH personnelle en clair
Afficher la réponse
Réponse : A.
MCP est le protocole standard pour connecter des outils et des sources de données à un agent : un serveur MCP est donc le mécanisme correct. B ne passe pas à l’échelle et gaspille le budget de contexte. C est coûteux et périmé entre les exécutions. D est un anti-modèle de gestion de secrets, non sécurisé.
Q33D4 · Conception et construction de systèmes agentiquesSélectionnez une réponse
Un agent peut émettre des remboursements. Quel contrôle est OBLIGATOIRE avant qu’il n’agisse sur un remboursement de forte valeur ?
- A. Une porte d’approbation avec supervision humaine (human-in-the-loop) avant l’exécution de l’action irréversible
- B. Un réglage de reasoning effort plus élevé
- C. Une fenêtre de contexte plus grande
- D. Un system prompt plus aimable
Afficher la réponse
Réponse : A.
Les actions irréversibles à forte valeur exigent une porte d’approbation humaine avant exécution. B, C et D peuvent influer sur la qualité ou la capacité, mais aucun n’empêche l’agent de commettre une action irréversible non souhaitée.
Q34D4 · Conception et construction de systèmes agentiquesSélectionnez deux réponses
Quelles DEUX affirmations sur le harnais géré de l’Agents API sont VRAIES ?
- A. OpenAI exécute la session, l’orchestration, la compaction du contexte et la reprise
- B. Il prend en charge la délégation à des sous-agents via multi_agent avec un réglage de concurrence borné
- C. Il offre une résidence des données dans l’UE et le ZDR
- D. Vous devez implémenter vous-même la reprise de session
- E. C’est le choix recommandé quand vous avez besoin d’une exécution entièrement auto-hébergée
Afficher la réponse
Réponse : A et B.
Le harnais géré exécute le cycle de vie de la session et prend en charge la délégation à des sous-agents via multi_agent avec max_concurrent_subagents. C est faux : c’est aux États-Unis uniquement, sans ZDR. D contredit la reprise gérée qu’il fournit. E décrit l’Agents SDK, pas l’Agents API.
Q35D4 · Conception et construction de systèmes agentiquesSélectionnez une réponse
Un assistant simple doit appeler une seule fonction interne et renvoyer une réponse, avec un contrôle complet de chaque étape et sans session ni sandbox. Quel runtime est le plus simple et correct ?
- A. La Responses API avec function calling, en gardant vous-même la boucle
- B. Le harnais géré de l’Agents API
- C. L’Agents SDK avec orchestration et garde-fous
- D. Le fine-tuning
Afficher la réponse
Réponse : A.
Pour un appel d’outil unique avec un contrôle complet étape par étape et sans besoin de session ni de sandbox, la Responses API avec function calling est le choix le plus simple. B et C ajoutent des sessions gérées ou une mécanique de framework dont la tâche n’a pas besoin. D est une opération d’entraînement, pas un runtime pour l’usage d’outils.
Q36D4 · Conception et construction de systèmes agentiquesSélectionnez une réponse
Quelle est la différence entre les handoffs multi-agents et les sous-agents ?
- A. Un handoff transfère le contrôle à un autre agent ; un sous-agent se voit déléguer une sous-tâche bornée qui s’exécute puis revient au parent
- B. Ce sont la même fonctionnalité sous deux noms
- C. Les sous-agents remplacent définitivement le parent
- D. Les handoffs ne fonctionnent que dans la Batch API
Afficher la réponse
Réponse : A.
Un handoff passe le contrôle à un agent différent, tandis qu’un sous-agent se voit déléguer une portion de travail bornée et renvoie son résultat au parent. B nie une distinction réelle. C décrit mal la délégation. D place les handoffs dans une API sans rapport.
Q37D4 · Conception et construction de systèmes agentiquesSélectionnez une réponse
Un agent de support doit lire des commandes, mais un développeur lui accorde un accès en écriture à la facturation « au cas où ». Quel principe est violé ?
- A. Le moindre privilège : n’accorder que les permissions requises par la tâche
- B. L’idempotence
- C. L’absence d’état (statelessness)
- D. La contre-pression (backpressure)
Afficher la réponse
Réponse : A.
Accorder plus d’accès que la tâche n’en a besoin viole le moindre privilège ; le correctif est un accès en lecture seule aux commandes. B, C et D sont de vrais concepts d’ingénierie mais aucun ne décrit des permissions trop larges.
Q38D4 · Conception et construction de systèmes agentiquesSélectionnez une réponse
Comment un sandbox hébergé dans l’Agents API est-il facturé, par rapport à un sandbox auto-hébergé ?
- A. Aux tarifs de l’API du modèle, plus les tarifs standard des outils, plus des tarifs de conteneur pour le sandbox hébergé
- B. Gratuit, parce qu’il est géré
- C. Un forfait mensuel fixe uniquement
- D. Comme un sandbox auto-hébergé, sans frais de conteneur
Afficher la réponse
Réponse : A.
La facturation de l’Agents API correspond aux tarifs du modèle, plus les tarifs standard des outils, plus des tarifs de conteneur pour les sandbox hébergés. B ignore les frais de conteneur. C invente un forfait fixe. D est faux car le tarif de conteneur est précisément ce qu’un sandbox hébergé ajoute par rapport à l’auto-hébergement.
Q39D4 · Conception et construction de systèmes agentiquesSélectionnez une réponse
Un agent effectue occasionnellement une mauvaise action d’outil et, ensuite, personne ne peut dire pourquoi. Que manque-t-il ?
- A. L’observabilité : le traçage des étapes de l’agent, des appels d’outil et des entrées/sorties
- B. Un modèle plus grand
- C. Davantage de sous-agents
- D. Une limite de dépense plus élevée
Afficher la réponse
Réponse : A.
Ne pas pouvoir expliquer une action passée est une lacune d’observabilité ; tracer les étapes et les appels d’outil fournit la piste d’audit. B, C et D ajoutent de la capacité, du parallélisme ou du budget, mais aucun n’enregistre ce qui s’est passé pour un diagnostic ultérieur.
Q40D5 · Génération augmentée par récupération (RAG)Sélectionnez une réponse
Une base de connaissances de 50 000 documents internes change chaque semaine et les réponses doivent citer les sources. Quelle est la MEILLEURE approche ?
- A. La génération augmentée par récupération (RAG) sur un vector store indexé, avec citations
- B. Faire du fine-tuning du modèle chaque semaine sur les 50 000 documents
- C. Mettre tous les documents dans le prompt à chaque requête
- D. S’appuyer sur la connaissance issue de l’entraînement du modèle
Afficher la réponse
Réponse : A.
Le RAG récupère les documents à jour au moment de la requête et peut y attacher des citations, gérant à faible coût un changement hebdomadaire. B est coûteux, lent à mettre à jour et difficile à citer. C est irréalisable et dispendieux. D ne peut connaître un contenu interne privé et changeant.
Q41D5 · Génération augmentée par récupération (RAG)Sélectionnez une réponse
Les utilisateurs recherchent par codes d’erreur exacts comme ERR-4021 et la récupération purement sémantique les manque sans cesse. Quel est le correctif ?
- A. Ajouter une récupération par mots-clés/lexicale pour compléter la recherche sémantique (récupération hybride)
- B. Augmenter la dimension des embeddings
- C. Passer à un modèle de génération plus grand
- D. Augmenter la température
Afficher la réponse
Réponse : A.
Les tokens exacts comme les codes d’erreur sont trouvés par une recherche lexicale : une récupération hybride combinant rappel par mots-clés et sémantique corrige donc les échecs. B ajuste les embeddings mais privilégie encore le sens sur les chaînes exactes. C et D changent la génération, pas la récupération.
Q42D5 · Génération augmentée par récupération (RAG)Sélectionnez une réponse
Les cliniciens ne doivent récupérer que les protocoles de leur propre service. Où cette restriction doit-elle être appliquée ?
- A. Comme un filtrage de contrôle d’accès dans la couche de récupération, et non par de simples instructions de prompt
- B. En demandant au modèle de ne pas révéler les protocoles d’autres services
- C. En augmentant le reasoning effort
- D. En réduisant la taille des chunks
Afficher la réponse
Réponse : A.
L’autorisation doit être appliquée dans la récupération afin que les documents hors périmètre ne soient jamais rapportés ; une demande de prompt est contournable. B repose sur le bon comportement du modèle, ce qui n’est pas un contrôle de sécurité. C et D affectent la qualité ou le coût, pas l’accès.
Q43D5 · Génération augmentée par récupération (RAG)Sélectionnez une réponse
Un chunk récupéré ne contient pas la réponse, pourtant le modèle répond par un chiffre affirmé avec assurance issu de sa connaissance d’entraînement. Comment empêcher cela ?
- A. Instruire le modèle de répondre uniquement à partir du contexte récupéré et de dire qu’il ne sait pas quand le contexte est insuffisant, et évaluer l’ancrage
- B. Utiliser un modèle plus grand
- C. Augmenter le nombre maximal de tokens de sortie
- D. Désactiver la récupération
Afficher la réponse
Réponse : A.
L’ancrage exige d’instruire le modèle de répondre uniquement à partir du contexte et de s’abstenir sinon, le tout vérifié par une évaluation d’ancrage. B peut toujours halluciner. C affecte la longueur, pas l’ancrage. D supprime le contexte même qui ancre la réponse.
Q44D5 · Génération augmentée par récupération (RAG)Sélectionnez une réponse
Les chunks sont réglés à 4 000 tokens chacun et les réponses incluent maintenant beaucoup de texte non pertinent. Quelle est la cause LA PLUS probable ?
- A. Les chunks sont trop grands, si bien que chaque chunk récupéré transporte du contenu sans rapport
- B. Le modèle d’embeddings est cassé
- C. Le modèle de génération est trop petit
- D. La température est trop basse
Afficher la réponse
Réponse : A.
Des chunks surdimensionnés regroupent des passages sans rapport, si bien que la récupération apporte du bruit ; des chunks plus petits et ciblés aident. B se manifesterait peu par une récupération volumineuse mais pertinente. C et D n’expliquent pas pourquoi le texte récupéré est hors sujet.
Q45D5 · Génération augmentée par récupération (RAG)Sélectionnez une réponse
Pourquoi ajoute-t-on un chevauchement entre chunks adjacents lors de l’indexation ?
- A. Pour qu’une réponse à cheval sur une frontière ne soit pas coupée et perdue entre deux chunks
- B. Pour réduire le stockage total
- C. Pour rendre les embeddings déterministes
- D. Pour désactiver la recherche sémantique
Afficher la réponse
Réponse : A.
Le chevauchement préserve le contexte qui enjambe une frontière de chunk afin qu’une réponse à cheval reste récupérable. B est faux ; le chevauchement augmente le stockage. C et D sont sans rapport avec le rôle du chevauchement.
Q46D5 · Génération augmentée par récupération (RAG)Sélectionnez deux réponses
Quelles DEUX métriques une évaluation de réponses ancrées devrait-elle mesurer ?
- A. La qualité de la récupération (le bon contexte a-t-il été rapporté)
- B. La fidélité (la réponse est-elle étayée par le contexte récupéré)
- C. Les tokens par seconde du modèle d’embeddings
- D. La palette de couleurs de l’interface
- E. La taille du vector store sur disque
Afficher la réponse
Réponse : A et B.
Une évaluation de réponses ancrées mesure si la récupération a rapporté le bon contexte et si la réponse lui est fidèle. C est une statistique de débit, non une mesure de qualité de réponse. D est sans rapport. E est une métrique de stockage, non de qualité.
Q47D5 · Génération augmentée par récupération (RAG)Sélectionnez une réponse
Un développeur propose de mettre un manuel entier de 900 pages dans le prompt à chaque requête parce que la fenêtre est de 1,05M de tokens. Pourquoi le RAG est-il généralement préférable ici ?
- A. Le RAG n’envoie que les passages pertinents, réduisant le coût et la latence par requête et limitant la distraction
- B. Le RAG est toujours plus précis sur chaque requête
- C. La fenêtre de contexte est en réalité trop petite pour le manuel
- D. Les prompts ne peuvent pas contenir de documents
Afficher la réponse
Réponse : A.
Même si le manuel tient, le fourrer à chaque requête fait payer et traiter des tokens non pertinents à chaque appel ; le RAG ne récupère que ce dont la requête a besoin. B surestime une précision universelle. C est faux puisque 900 pages tiennent dans 1,05M de tokens. D est inexact.
Q48D5 · Génération augmentée par récupération (RAG)Sélectionnez une réponse
Que vous offre file search sur un vector store géré, prêt à l’emploi ?
- A. Le chunking, l’embedding, l’indexation et la récupération hébergés, que vous appelez comme un outil
- B. Le fine-tuning automatique du modèle de base
- C. Une garantie de zéro hallucination
- D. Un stockage illimité et gratuit
Afficher la réponse
Réponse : A.
Le file search géré fournit le chunking, l’embedding, l’indexation et la récupération hébergés, exposés comme un outil. B est une opération d’entraînement différente. C n’est pas quelque chose qu’une couche de récupération puisse garantir. D invente une affirmation tarifaire.
Q49D6 · Performance, latence et coûtSélectionnez une réponse
De nombreuses requêtes partagent un system prompt de 5 000 tokens suivi d’un court message utilisateur. Qu’est-ce qui réduit le plus directement le coût et la latence ?
- A. Le prompt caching du préfixe partagé
- B. Augmenter le reasoning effort
- C. Passer à un modèle plus grand
- D. Augmenter le nombre maximal de tokens de sortie
Afficher la réponse
Réponse : A.
Un préfixe volumineux et répété est exactement ce que vise le prompt caching, en réduisant le coût et le temps de retraitement. B et C augmentent la dépense et la latence. D affecte la longueur de sortie, pas l’entrée répétée.
Q50D6 · Performance, latence et coûtSélectionnez une réponse
Une tâche nocturne classe 5M de documents et la latence n’a pas d’importance. Quel choix de traitement est le PLUS économique ?
- A. La Batch API
- B. Des requêtes synchrones sur gpt-6-astra
- C. Le fast mode sur chaque requête
- D. La Realtime API
Afficher la réponse
Réponse : A.
Le travail de masse insensible à la latence est la raison d’être de la Batch API, et c’est le palier le moins cher pour cela. B paie un modèle premium en synchrone. C et D optimisent une interactivité dont la tâche n’a pas besoin, à un coût plus élevé.
Q51D6 · Performance, latence et coûtSélectionnez une réponse
Un outil de résumé s’exécute 200 000 fois par jour à 1 000 tokens d’entrée et 200 de sortie sur gpt-5.6-luna ($0.20/M en entrée, $1.20/M en sortie). Quel est approximativement le coût quotidien ?
- A. Environ $88 par jour
- B. Environ $8 par jour
- C. Environ $440 par jour
- D. Environ $1,760 par jour
Afficher la réponse
Réponse : A.
Entrée : 200 000 x 1 000 = 200M x $0.20/M = $40. Sortie : 200 000 x 200 = 40M x $1.20/M = $48. Total ~$88/jour, donc A. B est un dixième du chiffre réel, C applique des tarifs à l’échelle de Terra et D est bien trop élevé.
Q52D6 · Performance, latence et coûtSélectionnez une réponse
Une fonctionnalité interactive « semble lente ». Avant de rien changer, que devez-vous faire D’ABORD ?
- A. Mesurer la latence (dont le time-to-first-token) pour trouver où le temps passe réellement
- B. Basculer immédiatement sur le modèle le moins cher
- C. Augmenter le reasoning effort
- D. Ajouter davantage de sous-agents
Afficher la réponse
Réponse : A.
On ne peut optimiser ce qu’on n’a pas mesuré : profiler la latence et le time-to-first-token vient donc en premier. B, C et D sont des changements à l’aveugle qui peuvent ne pas toucher le vrai goulot d’étranglement et l’aggraver.
Q53D6 · Performance, latence et coûtSélectionnez deux réponses
Le time-to-first-token domine la latence d’une fonctionnalité interactive tournant sur gpt-5.6-sol à l’effort high. Quels DEUX leviers aident le plus directement ?
- A. Abaisser le reasoning effort au minimum qui passe encore l’évaluation
- B. Streamer la réponse pour que les utilisateurs voient la sortie au fil de sa production
- C. Augmenter le nombre maximal de tokens de sortie
- D. Déplacer la charge vers la Batch API
- E. Ajouter davantage de contexte récupéré à chaque prompt
Afficher la réponse
Réponse : A et B.
Un effort plus bas réduit la réflexion qui retarde le premier token, et le streaming montre la sortie à mesure qu’elle arrive, améliorant la latence perçue. C rallonge la génération. D est destiné au travail de masse hors ligne, pas à la latence interactive. E ajoute du traitement d’entrée, augmentant la latence.
Q54D6 · Performance, latence et coûtSélectionnez une réponse
Vous éditez un long document où environ 95 % de la sortie est identique à l’entrée. Quelle fonctionnalité réduit le PLUS la latence ?
- A. Les predicted outputs
- B. La Batch API
- C. Un reasoning effort plus élevé
- D. Une fenêtre de contexte plus grande
Afficher la réponse
Réponse : A.
Les predicted outputs accélèrent la génération quand l’essentiel de la sortie est déjà connu, précisément le cas de l’édition à faibles changements. B est destiné aux travaux de masse hors ligne. C ajoute de la latence. D affecte la capacité, pas la vitesse de génération d’une sortie quasi identique.
Q55D6 · Performance, latence et coûtSélectionnez une réponse
Une charge tolérante à la latence veut un coût inférieur au traitement standard mais ne peut pas attendre les heures que prend la Batch API. Quel palier convient ?
- A. Le Flex processing
- B. Le fast mode
- C. La Realtime API
- D. Des requêtes standard synchrones
Afficher la réponse
Réponse : A.
Le Flex processing échange un peu de latence contre un coût plus faible, sans le délai de plusieurs heures de Batch, ce qui convient à une charge tolérante à la latence mais non hors ligne. B optimise la vitesse à un coût plus élevé. C vise l’interaction en temps réel. D est le palier standard que l’on cherche à battre sur le coût.
Q56D7 · Sécurité et exploitation en productionSélectionnez une réponse
Un appel d’API renvoie un 429. Quel est le traitement correct ?
- A. Temporiser et réessayer avec un backoff exponentiel et du jitter
- B. Réessayer immédiatement dans une boucle serrée
- C. Le traiter comme une erreur fatale et arrêter le service
- D. Changer de modèle définitivement
Afficher la réponse
Réponse : A.
Un 429 est un signal de limitation de débit géré par un backoff exponentiel avec jitter. B aggrave la surcharge. C réagit de façon excessive à une condition transitoire. D ne traite pas la limitation de débit et pourrait simplement déplacer le problème.
Q57D7 · Sécurité et exploitation en productionSélectionnez une réponse
Quelle erreur ne devriez-vous PAS réessayer automatiquement ?
- A. Une erreur 400 de requête invalide causée par une charge utile mal formée
- B. Une erreur 429 de limitation de débit
- C. Une erreur serveur transitoire 500
- D. Une erreur 503 de service indisponible
Afficher la réponse
Réponse : A.
Un 400 signifie que la requête elle-même est erronée : réessayer la même charge utile échouera de nouveau ; corrigez plutôt la requête. B, C et D sont des conditions transitoires ou de throttling où temporisation et réessai sont appropriés.
Q58D7 · Sécurité et exploitation en productionSélectionnez une réponse
Une équipe craint qu’une boucle d’agent incontrôlée génère une facture énorme. Quel contrôle plafonne le PLUS directement le coût en dollars ?
- A. Des limites de dépense sur le compte ou le projet
- B. Un system prompt plus aimable
- C. Une fenêtre de contexte plus grande
- D. Un reasoning effort plus élevé
Afficher la réponse
Réponse : A.
Les limites de dépense plafonnent directement l’exposition en dollars, quel que soit le comportement de la boucle. B, C et D n’ont aucune incidence sur la dépense totale, et D l’augmenterait. Les limites de débit aident à réguler, mais les limites de dépense plafonnent l’argent le plus directement.
Q59D7 · Sécurité et exploitation en productionSélectionnez deux réponses
Une charge Kubernetes doit appeler l’API sans détenir de clé d’API à longue durée de vie. Quelles DEUX pratiques sont correctes ?
- A. Utiliser la fédération d’identité de charge (workload identity federation) pour que le pod échange son identité contre des identifiants à courte durée de vie
- B. Restreindre les identifiants au moindre privilège pour la tâche
- C. Intégrer une clé d’API statique dans l’image du conteneur
- D. Stocker une seule clé partagée dans le manifeste pour tous les clusters
- E. Désactiver la journalisation pour que la clé ne puisse être tracée
Afficher la réponse
Réponse : A et B.
La workload identity federation évite les clés à longue durée de vie en émettant des identifiants à courte durée de vie, et une restriction au moindre privilège limite ce que ces identifiants peuvent faire. C intègre un secret dans une image qui peut fuir. D élargit le rayon d’impact et complique la rotation. E supprime l’observabilité et ne fait rien contre la clé elle-même.
Q60D7 · Sécurité et exploitation en productionSélectionnez deux réponses
Un agent traite des messages clients non fiables et peut entreprendre des actions. Quels DEUX contrôles traitent LE MIEUX le risque de prompt injection ?
- A. Des portées d’outils au moindre privilège, pour qu’un agent détourné puisse faire peu de dégâts
- B. Des portes d’approbation humaine avant les actions irréversibles
- C. Augmenter la température
- D. Utiliser un modèle plus grand
- E. Augmenter le nombre maximal de tokens de sortie
Afficher la réponse
Réponse : A et B.
Le moindre privilège limite le rayon d’impact d’une injection réussie et les portes d’approbation empêchent les actions irréversibles de se déclencher automatiquement. C change l’aléa, D n’empêche pas l’injection, et E n’affecte que la longueur de sortie.