Тест за максимално пределно значение

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какъв е основният проблем, който MMR е предназначен да реши?
   • Бавно забавяне на заявките в големи бази данни
   • Неправилен правопис в потребителските заявки
   • Излишни, почти дублиращи се резултати от чисто класиране по уместност
   • Липса на данни за обучение за вграждания
2. Във формулата MMR какво подчертава ламбда стойност, близка до 1?
   • Чиста релевантност към заявката
   • Максимално разнообразие между резултатите
   • Еднаква тежест на всички кандидати
   • Случаен избор
3. Как MMR избира своите резултати?
   • Всичко наведнъж чрез сортиране на един резултат
   • На случаен принцип с фиксирано семе
   • По азбучен ред на документите
   • Алчно, един по един, сравнявайки с вече избрани елементи
4. How can an embedding-based MMR implementation measure query relevance and document redundancy?
   • Using only a document's filename length
   • Using a similarity measure such as cosine, without MMR requiring that one measure universally
   • Using a mandatory audio-transcription score for all text
   • Using no relevance or inter-document comparison at all
5. Защо MMR е особено полезен при генериране с разширено извличане (RAG)?
   • Той предоставя допълващи се части от доказателства, които не са излишни
   • Той компресира тежестите на модела
   • Той автоматично настройва езиковия модел
   • Той криптира извлечените документи
6. If MMR caches each candidate's maximum redundancy and updates it against each new selection, roughly how many similarities are needed for k picks from n candidates?
   • Always constant time independent of k and n
   • Exactly n factorial for every implementation
   • About k times n, ignoring vector dimension and initial setup
   • No document comparisons after the first query score
7. With lambda equal to 0.5, relevance 0.8, and maximum selected-item similarity 0.9, what is a candidate's MMR scoring term?
   • 0.85, from averaging the two similarities
   • Minus 0.05, from 0.5 times 0.8 minus 0.5 times 0.9
   • 0.72, from multiplying relevance and redundancy
   • 1.7, from adding the two similarities
8. Can an MMR reranker select a relevant document that the upstream retrieval candidate pool omitted?
   • Yes; diversity scoring invents missing source documents
   • Yes; a lower lambda automatically searches the whole corpus
   • Yes; reranking changes the document's original publication date
   • No; it chooses among the supplied candidates unless the upstream pool is expanded