اختبار مرتبط بالدليل · متوسط المستوى
مسابقة البحث الهجين
مراجعة الاسترجاع المعجمي والكثيف، ودمج الرتب، والأساليب العصبية المتفرقة، ولماذا تختلف جودة الاسترجاع حسب المجال. اختبار كل على الاستعلامات المستهدفة.
سؤال 1 من 8
ما طريقتي الاسترجاع اللتين يجمعهما البحث المختلط عادة؟
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- ما طريقتي الاسترجاع اللتين يجمعهما البحث المختلط عادة؟
- البحث عن الكلمات الرئيسية المتفرقة (على سبيل المثال، BM25) والبحث المكثف عن المتجهات
- نموذجان مختلفان للغة كبيرة يصوتان على الإجابات
- استعلامات SQL وفهارس النص الكامل فقط
- البحث عن الصور والبحث الصوتي
- لماذا يتم استخدام دمج الرتب المتبادل (RRF) بشكل شائع لدمج النتائج؟
- يقوم بتدريب شبكة عصبية جديدة لكل استعلام
- فهو يجمع المستندات حسب موضع التصنيف بدلاً من الدرجات الأولية، مما يتجنب عدم تطابق المقياس
- يقوم بحذف أي مستند يظهر في كلتا القائمتين
- إنه يحتفظ فقط بالنتيجة العليا الفردية من كل مسترد
- ما هو السيناريو الذي يفضل المكون المتناثر (الكلمة الرئيسية) للبحث المختلط؟
- العثور على المستندات التي تعيد صياغة الاستعلام بكلمات مختلفة
- فهم النغمة العاطفية للجملة
- مطابقة رقم الجزء الدقيق أو رمز الخطأ الذي يجب أن يظهر حرفيًا
- ترجمة الاستعلام إلى لغة أخرى
- ما هي نقطة الضعف الرئيسية في استخدام بحث المتجهات الكثيف وحده؟
- لا يمكنه فهم المرادفات أو إعادة الصياغة
- إنه يعمل فقط على الصور
- لا يتطلب أي تضمينات على الإطلاق
- يمكن أن تفوت الرموز المميزة النادرة مثل الرموز أو الألقاب المحددة
- ماذا يفعل النموذج المتناثر المتعلم مثل SPLADE؟
- وينتج أوزان مصطلحات قابلة للتفسير باستخدام شبكة عصبية، ومزج الأفكار المتفرقة والكثيفة
- فهو يزيل جميع مطابقة الكلمات الرئيسية من البحث
- يقوم فقط بتخزين الصور كمتجهات
- فإنه يحل محل الحاجة إلى أي استرجاع
- What can combining lexical and dense retrieval provide to a RAG system?
- A guarantee that every generated statement is true
- Potentially more varied candidate evidence, subject to evaluation of retrieval and answer quality
- A replacement for grounding sources
- An automatic legal review of generated answers
- What tradeoff did BEIR report for reranking and late-interaction methods on average?
- They always ran faster and used less compute than BM25
- They made retrieval independent of the corpus
- They often achieved stronger zero-shot performance but at higher computational cost
- They guaranteed a correct generated answer
- What did the BEIR benchmark conclude about BM25 in zero-shot retrieval?
- It always beats every neural retriever
- It cannot retrieve exact terms
- It is a dense-vector model
- It remains a robust baseline across diverse datasets