prompt
stringlengths 1
26.5k
| class
stringclasses 4
values |
|---|---|
Ai có trách nhiệm kịp thời hướng dẫn các đơn vị, địa phương trong việc xử lý vi phạm hành chính | qa_laws |
Theo quy chế này, cơ quan nào được giao trách nhiệm chủ trì phối hợp triển khai | qa_laws |
Mã vùng nào được liên kết với vùng đô thị Boston? | instruct |
Thiên hoàng Meiji đã sắc lập Kujō Asako làm gì | qa_general |
Vì sao số lượng du khách đến Pháp đứng số 1 trên thế giới nhưng thu nhập từ du lịch chỉ đứng thứ ba | qa_general |
Tôi không thích bà của tôi | dialog |
Liệt kê năm quy tắc để tuân theo phương pháp hay nhất khi viết mã | instruct |
Nhà thờ Alexandria đã sử dụng điều gì để tính ngày lễ Phục sinh | qa_general |
Ai là đối tượng chịu trách nhiệm đảm bảo tính chính xác của thông tin về công trình dự án trong quá trình công bố công khai | qa_laws |
Tôi đeo một chiếc vòng cổ ông tôi tặng tôi _dấu phẩy_ và cảm giác đó nhắc tôi nhớ rằng ông vẫn ở bên tôi | dialog |
Tôi đã định đi xem ban nhạc yêu thích của mình. Nhưng buổi biểu diễn đã bị hủy! | dialog |
Xin chào! Bạn có đề xuất nào cho bo mạch chủ mới không? | dialog |
Maristella Okpala đăng quang ngôi vị hoa hậu nào vào năm 2021 | qa_general |
Phạt 30 triệu nếu sử dụng máy móc sản xuất thuốc lá mà không có giấy phép | qa_laws |
Đâu là quy định pháp luật chi tiết về việc phát triển sản phẩm du lịch nông thôn mang đặc trưng vùng miền | qa_laws |
Thủ tục thành lập Hội đồng quản lý trong đơn vị sự nghiệp công lập thuộc ngành nông nghiệp nhiệm kỳ kế tiếp được quy định như thế nào | qa_laws |
Tôi đã cảm thấy như vậy trong khi chờ đợi xem mình có được vào trường sau đại học hay không. | dialog |
Một cô gái đi xe tải không có nơi nào để gọi là nhà và không có người đàn ông nào để gọi là Bố | dialog |
Soạn một bài thơ bao gồm các từ 'ngôi sao' và 'ánh sáng'. | instruct |
Phân loại câu sau đây là câu khẳng định hoặc câu nghi vấn: "Bạn có hiểu khái niệm này không?" Bạn có hiểu khái niệm này không? | instruct |
Cho ví dụ về bài toán khai thác dữ liệu bao gồm thế hệ kết thúc mở. | instruct |
Xác định xem hàm số đã cho là hàm số chẵn hay hàm số lẻ. f(x) = 2x | instruct |
Kể tên ba trong số những phát minh có ảnh hưởng nhất của thế kỷ 19 | instruct |
Giới thiệu phim - tìm một bộ phim phù hợp cho tôi xem. Thể loại yêu thích của tôi là phiêu lưu hành động, nhưng tôi cũng thích các thể loại phim khác. | instruct |
Tôi tự hỏi cô gái Shegroid chạy đến đã làm gì. | dialog |
Tạo danh sách 10 lời khuyên khi đi du lịch ở một thành phố mới | instruct |
Awaziem gia nhập câu lạc bộ nào vào năm 2014 | qa_general |
Viết một đoạn mã để tạo một số ngẫu nhiên | instruct |
Cây nhút nhát là gì | qa_general |
Đặc điểm của các dãy núi chạy từ phần trung tâm của bán đảo Malaysia là gì | qa_general |
Tôi thấy khỏe. Cuối cùng mọi thứ có vẻ ổn. | dialog |
Để đảm bảo an toàn thông tin, cần triển khai các lớp diễn tập cho đối tượng nào. | qa_laws |
Sắp xếp danh sách các phần tử sau theo một tiêu chí nhất định. táo, chuối, xoài, bưởi
Tiêu chí: Thứ tự chữ cái | instruct |
Trách nhiệm của người có đất thu hồi | qa_laws |
Nguồn kinh phí nào được hỗ trợ cho các địa phương khó khăn chưa tự cân đối được ngân sách theo cơ chế hỗ trợ có mục tiêu | qa_laws |
Nêu các biện pháp được đề ra để tăng cường ứng dụng tiến bộ khoa học kỹ thuật trong công tác thông tin đối ngoại. | qa_laws |
"trò đùa gõ cửa" là gì | qa_general |
Sửa lỗi chính tả, ngữ pháp và thực tế trong văn bản dưới đây:
Thủ tướng Phần Lan, Sana Marrin, đã thất bại trong cuộc chiến giành quyền lực sau khi đảng Dân chủ Xã hội (SDP) trung tả của bà bị các đối thủ bảo thủ và cực hữu của đảng này đánh bại ở vị trí thứ ba trong cuộc bầu cử đầy kịch tính.
Với 99,4% số phiếu được kiểm vào Chủ nhật, đảng Liên minh Quốc gia cánh hữu chắc chắn sẽ giành được 20,7% phiếu bầu, trong khi đảng dân túy, đầu tiên của quốc gia Phần Lan dự đoán sẽ đạt 20,1%. SDP của Marin được dự đoán sẽ thu về 19,9%.
Marin đã chúc mừng những người chiến thắng trong cuộc bầu cử trong bài phát biểu nhượng bộ của cô ấy, nhưng ca ngợi sự cải thiện về tỷ lệ phiếu bầu của cả đảng của cô ấy và số lượng nghị sĩ dự kiến của đảng. “Đó là một thành tích thực sự tốt, mặc dù hôm nay tôi không về nhất,” cô nói với những người ủng hộ ở Helsinki.
“Nền dân chủ đã lên tiếng, người dân Phần Lan đã bỏ phiếu và việc tôn vinh nền dân chủ luôn là một điều tuyệt vời,” bà nói thêm. “Chúng tôi có lý do chính đáng để vui mừng về kết quả này.” | instruct |
Tôi không muốn ăn mừng Giáng sinh với gia đình vì chúng ta không tặng quà | dialog |
Tôi sẽ yêu cầu bạn gái tôi lưu trò chơi của tôi trước khi cô ấy chuyển sang trò chơi của cô ấy | dialog |
Thế hệ nào là thế hệ tốt nhất? | instruct |
Tôi không cảm thấy tội lỗi như tôi nghĩ sau khi làm điều gì đó bất hợp pháp | dialog |
Kappa là thương hiệu nào | qa_general |
Tôi định nghỉ việc giữa ca và ngày hôm sau không đến | dialog |
Viết lại câu sau để nhấn mạnh cảm xúc được truyền đạt trong đó. Trái tim tôi thắt lại khi tôi nhìn thấy tin tức | instruct |
Điệu nhảy nào thịnh hành khi bạn còn là thiếu niên? | dialog |
Bạn phải cung cấp một ví dụ về cách gọi lệnh đã cho. tung đồng xu | instruct |
Quyết định nào làm cho Minh Đại Tông phải do dự khi con trai ông mất | qa_general |
Ngoài nguồn ngân sách Thành phố, nguồn kinh phí khác được sử dụng để thực hiện Kế hoạch là gì | qa_laws |
Kế hoạch triển khai xây dựng huyện chuyển đổi số được ban hành bởi cơ quan nào? | qa_laws |
Lillie được biết đến với đặc điểm tính cách nào trong phiên bản tiếng Nhật? | qa_general |
Rocard bị cách chức vào thời gian nào. | qa_general |
Tạo phép ẩn dụ so sánh hai trải nghiệm khác nhau. Tìm kiếm việc làm | instruct |
Output là gì và có liên quan đến những chỉ đạo nào | qa_laws |
Hôm nay tôi đã gọi giao pizza_comma_ và anh chàng nhận đơn hàng của tôi_comma_ thật thô lỗ... | dialog |
Tôi định lật em bé lại trên vỉ nướng để nó chín đều. | dialog |
Bạn nghĩ sao về việc tôi gọi cảnh sát đến bắt mình chỉ để vui? | dialog |
Tạo một truy vấn mySQL lấy ba nhân viên hàng đầu từ mỗi bộ phận được sắp xếp theo kinh nghiệm | instruct |
Trình bày cơ chế hoạt động của enzim. | instruct |
Hãy kể cho tôi nghe về Công viên Quốc gia Núi lửa Lassen | instruct |
Bạn sẽ nghĩ tôi kỳ lạ nhưng tôi 25 tuổi và tôi vẫn ôm một món đồ chơi mềm vào ban đêm | dialog |
Ai đã lên tiếng chống lại Victoria tại cuộc biểu tình ở Quảng trường Trafalgar? | qa_general |
Kể tên 5 thành phố lớn ở Hoa Kỳ. | instruct |
Tôi đang đắm mình trong tình yêu mới tìm thấy mặc dù bố mẹ tôi có vẻ nhìn nhận mọi thứ khác đi | dialog |
Cơ quan nào phê duyệt quyết định cấm hoạt động khoáng sản tại một khu vực? | qa_laws |
Tôi đã ngã khỏi ghế khi đang làm việc trong một cuộc họp. | dialog |
Tôi đã chạy quá tốc độ_dấu phẩy_ vì tôi lo lắng cho mẹ tôi. | dialog |
Ngày 6/4, chuyện gì đã diễn ra với Kepler | qa_general |
Các nhóm dữ liệu nào được chia nhỏ trong dữ liệu ngành xây dựng | qa_laws |
Đưa ra những đoạn văn về các mô hình ngôn ngữ lớn, ảo giác là gì? Mô hình ngôn ngữ lớn (LLM) là mô hình ngôn ngữ bao gồm một mạng thần kinh có nhiều tham số (thường là hàng tỷ trọng số trở lên), được đào tạo trên số lượng lớn văn bản không được gắn nhãn bằng cách sử dụng phương pháp học tự giám sát. LLM xuất hiện vào khoảng năm 2018 và hoạt động tốt ở nhiều nhiệm vụ khác nhau. Điều này đã chuyển trọng tâm của nghiên cứu xử lý ngôn ngữ tự nhiên ra khỏi mô hình trước đây về đào tạo các mô hình được giám sát chuyên biệt cho các nhiệm vụ cụ thể.
Của cải
Mặc dù thuật ngữ mô hình ngôn ngữ lớn không có định nghĩa chính thức, nhưng nó thường đề cập đến các mô hình học sâu có số tham số lên tới hàng tỷ hoặc hơn. LLM là các mô hình có mục đích chung vượt trội trong nhiều loại nhiệm vụ, trái ngược với việc được đào tạo cho một nhiệm vụ cụ thể (chẳng hạn như phân tích tình cảm, nhận dạng thực thể được đặt tên hoặc suy luận toán học). Kỹ năng mà họ hoàn thành nhiệm vụ và phạm vi nhiệm vụ mà họ có khả năng dường như là một chức năng của lượng tài nguyên (dữ liệu, kích thước tham số, sức mạnh tính toán) dành cho họ, theo cách không phụ thuộc về những đột phá bổ sung trong thiết kế.
Mặc dù được đào tạo về các nhiệm vụ đơn giản như dự đoán từ tiếp theo trong câu, nhưng các mô hình ngôn ngữ thần kinh với đủ số lượng tham số và đào tạo được tìm thấy để nắm bắt phần lớn cú pháp và ngữ nghĩa của ngôn ngữ con người. Ngoài ra, các mô hình ngôn ngữ lớn thể hiện kiến thức chung đáng kể về thế giới và có thể "ghi nhớ" một lượng lớn các sự kiện trong quá trình đào tạo.
ảo giác
Bài chi tiết: Ảo giác (trí tuệ nhân tạo)
Trong trí tuệ nhân tạo nói chung và trong các mô hình ngôn ngữ lớn nói riêng, "ảo giác" là một phản ứng tự tin dường như không được chứng minh bằng dữ liệu đào tạo của mô hình.
khả năng mới nổi
Trên một số tiêu chuẩn ngôn ngữ tự nhiên liên quan đến các nhiệm vụ như trả lời câu hỏi, các mô hình thực hiện không tốt hơn cơ hội ngẫu nhiên cho đến khi chúng đạt đến một thang đo nhất định (trong trường hợp này, được đo bằng tính toán đào tạo), tại điểm đó hiệu suất của chúng tăng mạnh. Đây là những ví dụ về khả năng mới nổi.
Những khả năng không thể đoán trước đã được quan sát thấy trong các mô hình ngôn ngữ lớn nhưng không có trong các mô hình đơn giản hơn (và không được thiết kế rõ ràng trong mô hình) thường được gọi là "khả năng mới nổi". Các nhà nghiên cứu lưu ý rằng những khả năng như vậy "không thể dự đoán đơn giản bằng cách ngoại suy hiệu suất của các mô hình nhỏ hơn". Những khả năng này được phát hiện thay vì được lập trình hoặc thiết kế, trong một số trường hợp chỉ sau khi LLM được triển khai công khai. Hàng trăm khả năng mới nổi đã được mô tả. Các ví dụ bao gồm số học nhiều bước, làm bài kiểm tra trình độ đại học, xác định nghĩa dự định của một từ, gợi ý theo chuỗi suy nghĩ,[3] giải mã Bảng chữ cái phiên âm quốc tế, xắp xếp lại các chữ cái của một từ, xác định nội dung xúc phạm trong các đoạn văn của tiếng Anh ( một sự kết hợp giữa tiếng Hindi và tiếng Anh), và tạo ra một câu tục ngữ Kiswahili tương đương với tiếng Anh.
Kiến trúc và đào tạo
Các mô hình ngôn ngữ lớn thường sử dụng kiến trúc biến áp nhất, kể từ năm 2018, kiến trúc này đã trở thành kỹ thuật học sâu tiêu chuẩn cho dữ liệu tuần tự (trước đây, các kiến trúc lặp lại như LSTM là phổ biến nhất). LLM được đào tạo theo cách không giám sát trên văn bản không được chú thích. Một biến áp từ trái sang phải được đào tạo để tối đa hóa xác suất được gán cho từ tiếp theo trong dữ liệu đào tạo, dựa trên ngữ cảnh trước đó. Ngoài ra, LLM có thể sử dụng biến áp hai chiều (như trong ví dụ về BERT), gán phân phối xác suất cho các từ được cấp quyền truy cập vào cả ngữ cảnh trước và sau. Ngoài nhiệm vụ dự đoán từ tiếp theo hoặc "điền vào chỗ trống", LLM có thể được đào tạo về các nhiệm vụ phụ trợ để kiểm tra sự hiểu biết của họ về phân phối dữ liệu, chẳng hạn như Dự đoán câu tiếp theo (NSP), trong đó các cặp câu được trình bày và mô hình phải dự đoán liệu chúng có xuất hiện cạnh nhau trong kho dữ liệu đào tạo hay không.
Các LLM sớm nhất được đào tạo về kho ngữ liệu có thứ tự hàng tỷ từ. Mô hình đầu tiên trong chuỗi GPT của OpenAI đã được đào tạo vào năm 2018 trên BookCorpus, bao gồm 985 triệu từ. Cùng năm đó, BERT được đào tạo trên sự kết hợp giữa BookCorpus và Wikipedia tiếng Anh, tổng cộng 3,3 tỷ từ. Trong những năm kể từ đó, tập đoàn đào tạo cho LLM đã tăng lên theo mức độ lớn, đạt tới hàng trăm tỷ hoặc hàng nghìn tỷ mã thông báo.
LLM rất tốn kém về mặt tính toán để đào tạo. Một nghiên cứu năm 2020 ước tính chi phí đào tạo một mô hình tham số 1,5 tỷ (nhỏ hơn 1-2 bậc độ lớn so với công nghệ hiện đại nhất vào thời điểm đó) là 1,6 triệu USD.
Một phân tích năm 2020 cho thấy khả năng của các mô hình ngôn ngữ nơ-ron (được đo bằng tổn thất đào tạo) tăng lên một cách trơn tru trong mối quan hệ luật lũy thừa với số lượng tham số, số lượng dữ liệu đào tạo và tính toán được sử dụng để đào tạo.[11][12] Các mối quan hệ này đã được kiểm tra trên một loạt các giá trị (tối đa bảy bậc độ lớn) và không quan sát thấy sự suy giảm của mối quan hệ ở mức cao nhất của phạm vi (bao gồm cả kích thước mạng lên tới hàng nghìn tỷ tham số).
Ứng dụng cho các nhiệm vụ hạ nguồn
Từ năm 2018 đến năm 2020, phương pháp tiêu chuẩn để khai thác LLM cho một nhiệm vụ xử lý ngôn ngữ tự nhiên (NLP) cụ thể là tinh chỉnh mô hình bằng đào tạo bổ sung theo nhiệm vụ cụ thể. Sau đó, người ta đã phát hiện ra rằng các LLM mạnh hơn như GPT-3 có thể giải quyết các nhiệm vụ mà không cần đào tạo thêm thông qua các kỹ thuật "nhắc nhở", trong đó vấn đề cần giải quyết được trình bày cho mô hình dưới dạng lời nhắc văn bản, có thể với một số ví dụ văn bản tương tự. vấn đề và giải pháp của họ.
tinh chỉnh
Bài chi tiết: Tinh chỉnh (học máy)
Tinh chỉnh là phương pháp sửa đổi một mô hình ngôn ngữ được đào tạo trước hiện có bằng cách đào tạo nó (theo cách được giám sát) về một nhiệm vụ cụ thể (ví dụ: phân tích cảm xúc, nhận dạng thực thể được đặt tên hoặc gắn thẻ một phần lời nói). Đó là một hình thức học tập chuyển giao. Nó thường liên quan đến việc giới thiệu một tập trọng số mới kết nối lớp cuối cùng của mô hình ngôn ngữ với đầu ra của tác vụ xuôi dòng. Các trọng số ban đầu của mô hình ngôn ngữ có thể bị "đóng băng", sao cho chỉ lớp trọng số mới kết nối chúng với đầu ra được học trong quá trình đào tạo. Ngoài ra, các trọng số ban đầu có thể nhận được các bản cập nhật nhỏ (có thể với các lớp trước đó đã bị đóng băng).
nhắc nhở
Xem thêm: Kỹ thuật nhắc và Học ít lần (xử lý ngôn ngữ tự nhiên)
Trong mô hình lời nhắc, được phổ biến bởi GPT-3, vấn đề cần giải quyết được hình thành thông qua lời nhắc văn bản mà mô hình phải giải quyết bằng cách cung cấp phần hoàn thành (thông qua suy luận). Trong "gợi ý vài lần", lời nhắc bao gồm một số ít ví dụ về các cặp (vấn đề, giải pháp) tương tự. Ví dụ: một nhiệm vụ phân tích tình cảm gắn nhãn tình cảm của một bài đánh giá phim có thể được nhắc như sau:
Đánh giá: Bộ phim này bốc mùi.
Tình cảm: tiêu cực
Đánh giá: Bộ phim này thật tuyệt vời!
tình cảm:
Nếu mô hình đưa ra kết quả "tích cực", thì nó đã giải quyết đúng nhiệm vụ. Trong lời nhắc zero-shot, không có ví dụ giải quyết nào được cung cấp. Một ví dụ về lời nhắc không có cảnh quay cho cùng một nhiệm vụ phân tích tình cảm sẽ là "Tình cảm liên quan đến bài đánh giá phim 'Bộ phim này thật tuyệt vời!' là".
Hiệu suất ngắn hạn của LLM đã được chứng minh là đạt được kết quả cạnh tranh trong các nhiệm vụ NLP, đôi khi vượt qua các phương pháp tinh chỉnh hiện đại trước đây. Ví dụ về các nhiệm vụ NLP như vậy là dịch thuật, trả lời câu hỏi, đóng các nhiệm vụ, sắp xếp lại các từ và sử dụng một từ mới trong một câu. Việc tạo và tối ưu hóa các lời nhắc như vậy được gọi là kỹ thuật nhắc nhở.
điều chỉnh hướng dẫn
Điều chỉnh hướng dẫn là một hình thức tinh chỉnh được thiết kế để tạo điều kiện cho các tương tác nhắc lệnh zero-shot tự nhiên và chính xác hơn. Với một kiểu nhập văn bản, một mô hình ngôn ngữ được đào tạo trước sẽ tạo ra một phần hoàn thành phù hợp với phân phối văn bản mà nó được đào tạo. Một mô hình ngôn ngữ ngây thơ được đưa ra lời nhắc "Viết một bài luận về các chủ đề chính của Hamlet." có thể cung cấp thông tin hoàn thành, chẳng hạn như "Một hình phạt nộp muộn 10% mỗi ngày sẽ được áp dụng cho các bài nộp nhận được sau ngày 17 tháng 3." Trong điều chỉnh hướng dẫn, mô hình ngôn ngữ được đào tạo trên nhiều ví dụ về nhiệm vụ được xây dựng dưới dạng hướng dẫn ngôn ngữ tự nhiên, cùng với các phản hồi thích hợp. Các kỹ thuật khác nhau để điều chỉnh hướng dẫn đã được áp dụng trong thực tế. Giao thức InstructGPT của OpenAI liên quan đến việc tinh chỉnh có giám sát trên tập dữ liệu gồm các cặp (nhắc, phản hồi) do con người tạo ra, tiếp theo là quá trình học tăng cường từ phản hồi của con người (RLHF), trong đó chức năng phần thưởng được học dựa trên tập dữ liệu về sở thích của con người. Một kỹ thuật khác, "tự hướng dẫn", tinh chỉnh mô hình ngôn ngữ trên một tập hợp các ví dụ huấn luyện do LLM tự tạo ra (được khởi động từ một tập hợp nhỏ các ví dụ ban đầu do con người tạo ra).
https://en.wikipedia.org/wiki/Large_language_model | instruct |
Viết lại câu sau để văn phong phong phú và phức tạp hơn. Con mèo thích ngủ. | instruct |
Do đâu mà yếu tố thời tiết ảnh hưởng đến vấn đề đảm bảo an toàn thực phẩm | qa_laws |
Sporting Clube de Portugal B là gì | qa_general |
Chất liệu được sử dụng để làm vương miện cho hình nộm của Edward là gì | qa_general |
Xác định câu tạo thành so sánh sai. Xuất câu. (1) Anh ấy đẹp trai hơn là thông minh. (2) Cô ấy sáng tạo hơn là thông minh. | instruct |
Tôi nghĩ tôi đang phán xét những người tìm kiếm sự giúp đỡ | dialog |
Việc quy hoạch bến xe khách được quy định như thế nào | qa_laws |
Theo tầm nhìn đến 2050, số vị trí đỗ sân bay được dự kiến mở rộng là bao nhiêu | qa_laws |
Giải thưởng mà người chiến thắng Britain & Ireland's Next Top Model, Mùa 9 nhận được bao gồm những gì. | qa_general |
Tôi đã đến Disneyland năm lần. | dialog |
Tôi rất tức giận với người quản lý của mình. Tôi đã mong đợi được đi cùng anh ấy trong chuyến công tác đến New York nhưng anh ấy lại đi một mình. Trước đây tôi rất kính trọng anh ấy. | dialog |
Biệt danh của Spice Girls là gì | qa_general |
Tôi sẽ không nói với một người bạn rằng họ đã trả lời sai trong một hướng dẫn học tập | dialog |
Tổ chức đăng kiểm nước ngoài được các tổ chức nào chấp nhận | qa_laws |
Ông Hoàng Mười được coi là nhân vật như thế nào theo truyền thuyết | qa_general |
Cho hai bộ số nguyên sau đây, hãy tìm giá trị trung bình, trung vị và mốt. Bộ 1: 8, 11, 15, 17, 20
Bộ 2: 6, 11, 13, 15, 21 | instruct |
Wasabi truyền thống được làm từ gì? | instruct |
Phân tích một văn bản nhất định theo một tiêu chí nhất định. Đoạn văn nói về sự nguy hiểm của việc lái xe khi bị phân tâm
Tiêu chuẩn:
Hiệu quả của lập luận | instruct |
Xác định một cụm từ phổ biến giữa tiếng Anh và tiếng Nhật. | instruct |
Ai chịu trách nhiệm chính trong việc đẩy mạnh truyền thông cho các sản phẩm nông nghiệp đặc trưng của địa phương | qa_laws |
Viết lại bài viết này từ một góc nhìn khác Công nghệ hiện đại đã cách mạng hóa cuộc sống của chúng ta. Công việc hàng ngày giờ đây trở nên dễ dàng và hiệu quả hơn với việc sử dụng điện thoại, máy tính và các thiết bị kỹ thuật số khác. | instruct |
Tên chính thức của trường đại học này là gì | qa_general |
Quy luật cung cầu tác động thế nào đến thị trường chứng khoán? | instruct |
Những đối tượng nào được ưu tiên nhường đường theo quy định pháp luật | qa_laws |
Tôi không thể tin rằng bạn tôi đã mua một chiếc Porsche | dialog |
Đến năm nào thì quy hoạch chung đô thị này có hiệu lực | qa_laws |
Phe đối lập đã chọn nơi nào để tập hợp lực lượng | qa_general |
Theo quan sát và nghiên cứu gần đây thì thiên hà nào có khối lượng lớn nhất trong nhóm Địa Phương | qa_general |
Nghệ sĩ Sỹ Tiến sinh năm nào. | qa_general |
Nghị quyết có hiệu lực thi hành từ khi nào | qa_laws |