Kvíz spojený s průvodcem · Střední úroveň

Kvíz o maximální marginální relevanci

Otestujte hodnocení relevance-diverzity MMR, chamtivý výběr, aktualizace redundance uložené v mezipaměti a limity stanovené počátečním fondem kandidátů na vyhledávání.

Související vodicí cestyMaximální okrajová relevance
Otázka 1 z 8

Jaký je hlavní problém, který má MMR vyřešit?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký je hlavní problém, který má MMR vyřešit?
    • Pomalá latence dotazů ve velkých databázích
    • Nesprávný pravopis v uživatelských dotazech
    • Nadbytečné, téměř duplicitní výsledky z čistého hodnocení relevance
    • Nedostatek trénovacích dat pro vkládání
  2. Co ve vzorci MMR zdůrazňuje hodnota lambda blízká 1?
    • Čistá relevance k dotazu
    • Maximální rozmanitost mezi výsledky
    • Stejná váha všech kandidátů
    • Náhodný výběr
  3. Jak MMR vybírá své výsledky?
    • Vše najednou seřazením jednoho skóre
    • Náhodně s pevným semenem
    • Podle abecedního pořadí dokumentů
    • Nenasytně, jeden po druhém, v porovnání s již vybranými položkami
  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. Proč je MMR zvláště užitečné při získávání rozšířené generace (RAG)?
    • Poskytuje doplňkové, neredundantní části důkazů
    • Stlačuje závaží modelu
    • Automaticky dolaďuje jazykový model
    • Šifruje načtené dokumenty
  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