Kvíz spojený s průvodcem · Střední úroveň

Kvíz LlamaIndex

Prozkoumejte, jak LlamaIndex analyzuje a indexuje data, získává relevantní uzly, syntetizuje odpovědi a hodnotí kvalitu načítání.

Související vodicí cestyLlamaindex
Otázka 1 z 8

K čemu je LlamaIndex primárně určen?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. K čemu je LlamaIndex primárně určen?
    • Připojte LLM k vašim datům pro generování rozšířené o načítání
    • Trénujte nové modely základů
    • Vytvářejte obrázky a videa
    • Spravujte clustery GPU v cloudu
  2. Jak se LlamaIndex původně jmenoval, když byl spuštěn?
    • DataChain
    • Index GPT
    • VectorBase
    • LlamaHub
  3. Proč je potřeba načítání místo pouhého vkládání všeho do výzvy?
    • LLM neumí číst textové soubory
    • Skladování vložek je nezákonné
    • Modely mají omezená kontextová okna a neznají soukromá data
    • Díky vyhledávání se modely trénují rychleji
  4. Co je v kanálu LlamaIndex vytvořeno z každého bloku dokumentu, aby bylo možné sémantické vyhledávání?
    • Komprimovaný soubor ZIP
    • Řádek SQL tabulky
    • Snímek obrazovky
    • Vektorové vkládání
  5. K čemu je LlamaParse sestaven?
    • Analýza složitých PDF, tabulek a dokumentů pro zpracování
    • Analýza zdrojového kódu do syntaktických stromů
    • Analýza zvuku do přepisů
    • Analýza síťových paketů
  6. 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
  7. 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
  8. 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