Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ ανακατάταξης μοντέλων

Δοκιμάστε τους ρόλους των retriever και των rerankers, συγκρίνετε τους cross-encoders με τους bi-encoders και εξετάστε τη λίστα κατάταξης των υποψηφίων συνόλων.

Σχετικές διαδρομές οδηγώνΑνακατάταξη μοντέλων
Ερώτηση 1 του 8

Σε έναν τυπικό αγωγό ανάκτησης δύο σταδίων, ποια είναι η δουλειά του αναβαθμιστή;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Σε έναν τυπικό αγωγό ανάκτησης δύο σταδίων, ποια είναι η δουλειά του αναβαθμιστή;
    • Για να επαναβαθμίσετε και να αναδιατάξετε μια σύντομη λίστα υποψηφίων για συνάφεια
    • Να τραβήξει τους αρχικούς υποψηφίους από εκατομμύρια έγγραφα
    • Για την αποθήκευση εγγράφων σε μια βάση δεδομένων
    • Για να δημιουργήσετε την τελική απάντηση φυσικής γλώσσας
  2. Besides MS MARCO, on which dataset did Nogueira and Cho report strong results for their BERT passage reranker?
    • ImageNet
    • TREC-CAR
    • LibriSpeech
    • SQuAD only
  3. Γιατί δεν μπορεί να χρησιμοποιηθεί ένα πρόγραμμα επανακατάταξης πολλαπλών κωδικοποιητών για απευθείας αναζήτηση εκατομμυρίων εγγράφων;
    • Λειτουργεί μόνο σε εικόνες
    • Δεν μπορεί να διαβάσει κείμενο
    • Οι βαθμολογίες του πρέπει να υπολογίζονται φρέσκες για κάθε ζεύγος ερωτήματος-έγγραφου, το οποίο είναι πολύ αργό σε κλίμακα
    • Δεν απαιτεί καθόλου υπολογισμούς
  4. Ποιο είναι το κύριο πλεονέκτημα ενός bi-encoder έναντι ενός cross-encoder;
    • Είναι πιο ακριβές σε λεπτόκοκκη συνάφεια
    • Πάντα αναδιατάσσει τέλεια τα αποτελέσματα
    • Δεν χρειάζεται δεδομένα εκπαίδευσης
    • Οι ενσωματώσεις εγγράφων του μπορούν να προυπολογιστούν, καθιστώντας την ανάκτηση γρήγορη και επεκτάσιμη
  5. How can a reranker affect context quality in a retrieval-augmented generation pipeline?
    • It can move more relevant retrieved candidates higher in the context shortlist, but does not guarantee correctness
    • It ensures every retrieved passage is factually correct
    • It creates missing documents in the corpus
    • It removes the need to evaluate retrieval
  6. In listwise reranking, what does the model consider together?
    • Only one document with no query
    • A query and a set of candidate documents when deciding their ordering
    • Each document embedding before any candidate retrieval
    • A single relevance label for the full training corpus
  7. What should a team verify before interpreting reranker scores as probabilities?
    • Whether every score is above zero
    • Whether the first-stage retriever was removed
    • Whether the scores have been calibrated and evaluated for that use
    • Whether the model has more parameters than the retriever
  8. What limitation does a reranker inherit from the first-stage retrieval system?
    • It always returns a calibrated probability
    • It removes the need for retrieval
    • It guarantees a correct generated answer
    • It cannot promote a relevant document that was never included in the candidate set