Kvíz spojený s průvodcem · Střední úroveň
Multimodální RAG kvíz
Otestujte si, co víte o multimodálním RAG: titulkování vizuálů do textu, sdílené vkládání obrázků a textu a získávání snímků stránky ve stylu ColPali.
Otázka 1 z 8
Co se obvykle pokazí, když pouze textový kanál RAG zpracovává PDF plný tabulek a grafů?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co se obvykle pokazí, když pouze textový kanál RAG zpracovává PDF plný tabulek a grafů?
- PDF se stane příliš malým na indexování
- Tabulky se zpřehází a ztratí se hodnoty grafu nebo diagramy
- Z vložení se stanou obrázky
- Modelka odmítá odpovědět
- Jaká je hlavní slabina přístupu titulků-všechno-do textu?
- Nemůže použít existující vložení textu
- Vyžaduje vektorovou databázi obrázků
- Funguje pouze u naskenovaných formulářů
- Cokoli, co tvůrce nepopíše, je ztraceno, aby bylo možné jej vyhledat
- Co umožňují modely ve stylu CLIP v multimodálním RAG?
- Vkládání obrázků a textu do sdíleného vektorového prostoru, aby textové dotazy mohly načítat obrázky
- Čtení hustého malého textu na naskenovaných stránkách s vysokou přesností
- Komprese PDF před uložením
- Překlad titulků do jiných jazyků
- Co je na přístupu ColPali charakteristické?
- Nejprve převede každou stránku na Markdown pomocí OCR
- Indexuje pouze popisky obrázků
- Vkládá snímky obrazovky stránky s modelem jazyka vidění a přeskakuje OCR a analýzu rozložení
- Ukládá jeden vektor na dokument
- Jak se při pozdní interakci hodnotí dotaz na stránce?
- Jeden vektor dotazu je porovnán s jedním vektorem stránky
- Stránky jsou seřazeny podle velikosti souboru
- Porovnávají se počty klíčových slov
- Mnoho vektorů dotazových tokenů je porovnáváno s mnoha vektory obrazových oprav
- Proč jsou indexy ve stylu ColPali mnohem větší než indexy textových bloků?
- Ukládají původní soubory PDF uvnitř každého vektoru
- Každá stránka dostane zhruba jeden vektor na obrázek místo jednoho vektoru
- Duplikují každou stránku v několika jazycích
- Vyžadují uložení úplných hmotností modelu na stránku
- Proč předávat generujícímu modelu obrázek stránky, nejen extrahovaný text?
- Otázky týkající se hodnot grafu nebo vizuálního rozvržení vyžadují, aby model viděl samotný vizuál
- Obrázky jsou vždy levnější než text
- Text nelze citovat
- Generátory neumí číst text
- Které tvrzení o multimodálním RAG v praxi je přesné?
- Vždy zcela nahradí textové kanály
- Funguje pouze na fotografiích
- Běžné jsou hybridní systémy kombinující analyzovaný text, extrakci tabulek a načítání obrázků stránek
- Nevyžaduje žádné hodnocení