Kvíz spojený s průvodcem · Střední úroveň
Šiška kvíz
Zahrnuje získávání vektorů a dokumentů, metriky podobnosti, indexy bez serveru a proč načtený kontext stále potřebuje vyhodnocení.
Otázka 1 z 8
Co šiška primárně ukládá a vyhledává?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co šiška primárně ukládá a vyhledává?
- Vektorové vložení, které představuje význam dat
- Raw SQL tabulky řádků a sloupců
- Kompilované váhy modelu strojového učení
- Šifrovaná uživatelská hesla
- Proč se Pinecone běžně spáruje s velkými jazykovými modely?
- Trénuje jazykový model od nuly
- Poskytuje externí paměť, takže model může získat relevantní fakta (RAG)
- Zkomprimuje model pro běh na telefonech
- Překládá výstup modelu do jiných jazyků
- How does Pinecone describe its serverless index algorithms?
- It uses HNSW for every serverless index
- Users must manually select one universal algorithm
- It selects proprietary algorithms such as Ananas, PQFS, or IVF with PQFS by slab size
- It searches only by exact string match
- What architecture change does Pinecone highlight in its serverless database?
- Every vector must be stored in one local in-memory graph
- Each user must operate a separate physical database
- Queries are answered without reading or scoring vectors
- Storage and compute are decoupled so relevant index portions can be loaded for a query
- Jak se typicky měří podobnost mezi dvěma vektory?
- Kosinusovou vzdáleností nebo bodovým součinem
- Podle velikosti souboru v megabajtech
- Podle data, kdy byly vytvořeny
- Počítáním sdílených přesných klíčových slov
- Pro jaký úkol se šiška hodí?
- Ukládání a vykreslování 3D grafiky videoher
- Hledání dokumentů, které mají podobný význam jako dotaz
- Spuštění tabulkových vzorců
- Kompilace zdrojového kódu
- What is a key step before using retrieved Pinecone matches in a generated answer?
- Assume the nearest vector is always a correct source
- Ignore metadata and access controls
- Evaluate whether the retrieved records are relevant and current for the query
- Treat retrieval as proof the model’s response is correct
- What kinds of searchable data do current Pinecone serverless indexes support?
- Only image files with no metadata
- Only one fixed embedding model
- Only SQL tables with no text fields
- Depending on schema, dense vectors, sparse vectors, and full-text-search fields