Quiz zur maximalen Randrelevanz

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

1. Was ist das Hauptproblem, das MMR lösen soll?
   • Langsame Abfragelatenz in großen Datenbanken
   • Falsche Schreibweise in Benutzeranfragen
   • Redundante, nahezu doppelte Ergebnisse aus reinem Relevanzranking
   • Fehlende Trainingsdaten für Einbettungen
2. Was betont in der MMR-Formel ein Lambda-Wert nahe 1?
   • Reine Relevanz für die Anfrage
   • Maximale Ergebnisvielfalt
   • Gleichgewichtung aller Kandidaten
   • Zufällige Auswahl
3. Wie wählt MMR seine Ergebnisse aus?
   • Alles auf einmal, indem Sie eine einzelne Partitur sortieren
   • Zufällig mit einem festen Samen
   • Nach alphabetischer Reihenfolge der Dokumente
   • Gierig, einen nach dem anderen, mit bereits ausgewählten Artikeln vergleichen
4. Wie kann eine einbettungsbasierte MMR-Implementierung die Relevanz von Abfragen und die Redundanz von Dokumenten messen?
   • 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. Warum ist MMR besonders nützlich bei der Retrieval-Augmented Generation (RAG)?
   • Es liefert ergänzende, nicht redundante Beweisstücke
   • Es komprimiert die Gewichte des Modells
   • Es optimiert das Sprachmodell automatisch
   • Es verschlüsselt abgerufene Dokumente
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