Kvíz spojený s průvodcem · Střední úroveň
Hybridní vyhledávací kvíz
Zopakujte si lexikální a husté vyhledávání, fúzi pořadí, neurální řídké metody a proč se kvalita vyhledávání liší podle domény. Otestujte každý na cílové dotazy.
Otázka 1 z 8
Jaké dva přístupy vyhledávání obvykle kombinuje hybridní vyhledávání?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaké dva přístupy vyhledávání obvykle kombinuje hybridní vyhledávání?
- Řídké vyhledávání klíčových slov (např. BM25) a husté vektorové vyhledávání
- Dva různé velké jazykové modely hlasující o odpovědích
- Pouze SQL dotazy a fulltextové indexy
- Vyhledávání obrázků a vyhledávání zvuku
- Proč se ke slučování výsledků běžně používá Reciprocal Rank Fusion (RRF)?
- Pro každý dotaz trénuje novou neuronovou síť
- Kombinuje dokumenty podle pozice pozice místo nezpracovaných skóre, čímž se vyhne nesouladu měřítka
- Odstraní všechny dokumenty, které se objeví v obou seznamech
- Uchovává pouze jeden nejlepší výsledek od každého retrívra
- Který scénář nejvíce upřednostňuje řídkou složku (klíčová slova) hybridního vyhledávání?
- Hledání dokumentů, které parafrázují dotaz různými slovy
- Pochopení emocionálního tónu věty
- Přesné číslo dílu nebo kód chyby, který se musí objevit doslova
- Překlad dotazu do jiného jazyka
- Jaká je hlavní slabina použití samotného hustého vektorového vyhledávání?
- Nerozumí synonymům ani parafrázím
- Funguje pouze na obrázky
- Nevyžaduje vůbec žádné vložení
- Může postrádat přesné vzácné tokeny, jako jsou konkrétní kódy nebo příjmení
- Co dělá naučený řídký model jako SPLADE?
- Vytváří interpretovatelné termínové váhy pomocí neuronové sítě a mísí řídké a husté myšlenky
- Z vyhledávání odstraní všechna shoda klíčových slov
- Obrázky ukládá pouze jako vektory
- Nahrazuje potřebu jakéhokoli vyhledávání
- 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