Тест, свързан с ръководство · трудно Ниво

Self-RAG и Reflective Retrieval Quiz

Прегледайте адаптивното извличане на Self-RAG, токените за отражение, обучението за контролирана критика, оценяването на сегменти и ограниченията на преценките за поддръжка, генерирани от модела.

Свързани ръководни пътекиSelf RAG и отразяващо извличане
Въпрос 1 на 8

Compared with a baseline that retrieves for every input, what adaptive decision does Self-RAG learn?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Compared with a baseline that retrieves for every input, what adaptive decision does Self-RAG learn?
    • Which operating system to install for every query
    • Whether retrieval is needed, including decisions as generation progresses
    • How to permanently remove all document sources
    • How to prove every generated statement without inspecting evidence
  2. Какво представляват „токените за отражение“ в Self-RAG?
    • Ключове за криптиране на документи
    • Потребителски идентификационни данни за вход
    • Времеви клейма на извлечените файлове
    • Специални контролни токени, които моделът излъчва, за да прецени уместността, поддръжката и полезността
  3. What does Self-RAG's IsSupported reflection token predict?
    • Whether the model's hardware has enough disk space
    • Whether a support ticket has been paid
    • Whether a generated segment is supported by the retrieved evidence
    • Whether every source claim is independently proven true
  4. Как моделът Self-RAG обикновено се обучава да произвежда токени за отражение?
    • Контролирано обучение върху данни, обозначени с токени за отражение, често дестилирани от по-силен модел
    • Чисто клъстериране без надзор
    • Чрез правила за ръчно кодиране без обучение
    • Само с обучение за подсилване от човешки кликвания
  5. Какво предимство осигурява излъчването на критика „Е релевантен“ за всеки пасаж?
    • Ускорява мрежовата връзка
    • Той компресира хранилището на документи
    • Променя токенизатора на модела
    • Той филтрира извлечените пасажи, които всъщност не помагат на заявката
  6. How can reflection-token scores affect Self-RAG inference without a new training run?
    • Every query must update all model parameters
    • Weighted critique scores can be combined with generation likelihood during segment-level candidate search
    • The critique scores must replace all source text with random tokens
    • Changing a score weight guarantees all factual errors disappear
  7. What should an evaluator infer from a high Self-RAG IsSupported probability alone?
    • The model predicts support, which still needs checking against the actual evidence
    • The answer has been independently verified as true
    • No source passage needs to be read
    • Every external document is guaranteed accurate
  8. At what granularity can Self-RAG adapt retrieval while developing a response?
    • Only when the operating system restarts
    • Only after the final answer has been published
    • As generated segments progress, rather than only one fixed retrieval at the beginning
    • Only by changing the tokenizer's vocabulary permanently