Κουίζ μέγιστης οριακής συνάφειας

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποιο είναι το κύριο πρόβλημα που έχει σχεδιαστεί για να λύσει το MMR;
   • Αργή καθυστέρηση ερωτημάτων σε μεγάλες βάσεις δεδομένων
   • Λανθασμένη ορθογραφία στα ερωτήματα των χρηστών
   • Περιττά, σχεδόν διπλά αποτελέσματα από καθαρή κατάταξη συνάφειας
   • Έλλειψη δεδομένων εκπαίδευσης για ενσωματώσεις
2. Στον τύπο MMR, τι τονίζει μια τιμή λάμδα κοντά στο 1;
   • Καθαρή συνάφεια με το ερώτημα
   • Μέγιστη ποικιλομορφία μεταξύ των αποτελεσμάτων
   • Ίση στάθμιση όλων των υποψηφίων
   • Τυχαία επιλογή
3. Πώς επιλέγει το MMR τα αποτελέσματά του;
   • Όλα ταυτόχρονα ταξινομώντας ένα μόνο σκορ
   • Τυχαία με σταθερό σπόρο
   • Με αλφαβητική σειρά εγγράφων
   • Άπληστα, ένα κάθε φορά, σε σύγκριση με ήδη επιλεγμένα αντικείμενα
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. Γιατί είναι ιδιαίτερα χρήσιμο το MMR στην επαυξημένη παραγωγή ανάκτησης (RAG);
   • Παρέχει συμπληρωματικά, μη περιττά κομμάτια αποδεικτικών στοιχείων
   • Συμπιέζει τα βάρη του μοντέλου
   • Ρυθμίζει αυτόματα το μοντέλο γλώσσας
   • Κρυπτογραφεί τα ανακτημένα έγγραφα
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