গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
LlamaIndex কুইজ
কিভাবে LlamaIndex ডেটা পার্স এবং ইনডেক্স করে, প্রাসঙ্গিক নোড পুনরুদ্ধার করে, প্রতিক্রিয়া সংশ্লেষিত করে এবং পুনরুদ্ধারের গুণমান মূল্যায়ন করে তা অন্বেষণ করুন।
প্রশ্ন 1 এর 8
LlamaIndex প্রাথমিকভাবে কি করার জন্য ডিজাইন করা হয়েছে?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- LlamaIndex প্রাথমিকভাবে কি করার জন্য ডিজাইন করা হয়েছে?
- পুনরুদ্ধার-বর্ধিত প্রজন্মের জন্য আপনার ডেটার সাথে LLMগুলি সংযুক্ত করুন৷
- নতুন ভিত্তি মডেল প্রশিক্ষণ
- ছবি এবং ভিডিও তৈরি করুন
- ক্লাউডে GPU ক্লাস্টার পরিচালনা করুন
- LlamaIndex যখন এটি চালু হয়েছিল তখন মূলত কী বলা হত?
- ডেটাচেইন
- জিপিটি সূচক
- ভেক্টরবেস
- লামাহাব
- প্রম্পটে সবকিছু পেস্ট করার পরিবর্তে কেন পুনরুদ্ধারের প্রয়োজন?
- এলএলএম টেক্সট ফাইল পড়তে পারে না
- এম্বেডিংগুলি সঞ্চয় করা অবৈধ৷
- মডেলগুলির সীমিত প্রসঙ্গ উইন্ডো এবং ব্যক্তিগত ডেটার কোনও জ্ঞান নেই৷
- পুনরুদ্ধার মডেল দ্রুত ট্রেন করে তোলে
- একটি LlamaIndex পাইপলাইনে, শব্দার্থিক অনুসন্ধান সক্ষম করতে একটি নথির প্রতিটি অংশ থেকে কী তৈরি করা হয়?
- একটি সংকুচিত জিপ ফাইল
- একটি SQL টেবিল সারি
- একটি স্ক্রিনশট
- একটি ভেক্টর এমবেডিং
- LlamaParse হ্যান্ডেল করার জন্য নির্মিত কি?
- ইনজেশনের জন্য জটিল PDF, টেবিল এবং ডকুমেন্ট পার্স করা হচ্ছে
- সিনট্যাক্স ট্রিতে সোর্স কোড পার্স করা হচ্ছে
- প্রতিলিপিতে অডিও পার্সিং
- নেটওয়ার্ক প্যাকেট পার্সিং
- Where do LlamaIndex node postprocessors run in the documented query pipeline?
- Before documents are parsed or indexed
- After retrieval and before response synthesis
- Only after a final answer is returned
- Between model pretraining and tokenizer training
- What does LlamaIndex’s SubQuestionQueryEngine do with a complex multi-source question?
- Converts every document into a single unsearchable string
- Runs only a fixed keyword lookup with no query planning
- Creates subquestions for relevant data sources and synthesizes the intermediate responses
- Fine-tunes the language model on the documents
- In a LlamaIndex query pipeline, what is the response synthesizer responsible for?
- Choosing the original PDF files before ingestion
- Training the embedding model from scratch
- Replacing the retriever’s index with a file system
- Combining the query and retrieved Nodes to produce a response