Тест за хибридно търсене

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Кои два подхода за извличане обикновено съчетава хибридното търсене?
   • Разредено търсене по ключови думи (напр. BM25) и плътно векторно търсене
   • Два различни големи езикови модела, гласуващи по отговорите
   • Само SQL заявки и пълнотекстови индекси
   • Търсене на изображения и аудио търсене
2. Защо реципрочното сливане на рангове (RRF) обикновено се използва за обединяване на резултати?
   • Той обучава нова невронна мрежа за всяка заявка
   • Той комбинира документи по позиция в ранг вместо сурови резултати, като избягва несъответствието на скалата
   • Той изтрива всеки документ, който се появява и в двата списъка
   • Той запазва само единичния най-добър резултат от всеки ретривър
3. Кой сценарий благоприятства най-много редкия (ключова дума) компонент на хибридното търсене?
   • Намиране на документи, които перифразират заявката с различни думи
   • Разбиране на емоционалния тон на изречението
   • Съвпадение на точен номер на част или код на грешка, който трябва да се появи буквално
   • Превод на заявка на друг език
4. Каква е основната слабост на използването само на плътно векторно търсене?
   • То не разбира синоними или парафрази
   • Работи само върху изображения
   • Изобщо не изисква вграждания
   • Може да пропусне точни редки токени като конкретни кодове или фамилни имена
5. Какво прави научен разреден модел като SPLADE?
   • Той създава интерпретируеми тегла на термини, използвайки невронна мрежа, смесвайки редки и плътни идеи
   • Той премахва всички съвпадения на ключови думи от търсенето
   • Той съхранява само изображения като вектори
   • Той замества нуждата от всяко извличане
6. 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
7. 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
8. 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