Κουίζ Self-RAG και Reflective Retrieval

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Compared with a baseline that retrieves for every input, what adaptive decision does Self-RAG learn?
   • Which operating system to install for every query
   • Whether retrieval is needed, including decisions as generation progresses
   • How to permanently remove all document sources
   • How to prove every generated statement without inspecting evidence
2. Τι είναι τα «αντανακλαστικά διακριτικά» στο Self-RAG;
   • Κλειδιά κρυπτογράφησης για έγγραφα
   • Διαπιστευτήρια σύνδεσης χρήστη
   • Χρονικές σημάνσεις σε ανακτημένα αρχεία
   • Ειδικά διακριτικά ελέγχου που εκπέμπει το μοντέλο για να κρίνει τη συνάφεια, την υποστήριξη και τη χρησιμότητα
3. What does Self-RAG's IsSupported reflection token predict?
   • Whether the model's hardware has enough disk space
   • Whether a support ticket has been paid
   • Whether a generated segment is supported by the retrieved evidence
   • Whether every source claim is independently proven true
4. Πώς εκπαιδεύεται συνήθως ένα μοντέλο Self-RAG ώστε να παράγει διακριτικά ανάκλασης;
   • Εποπτευόμενη μάθηση σε δεδομένα που έχουν επισημανθεί με διακριτικά ανάκλασης, που συχνά αποστάζονται από ένα ισχυρότερο μοντέλο
   • Καθαρά ομαδοποίηση χωρίς επίβλεψη
   • Με κανόνες χειροκίνητης κωδικοποίησης χωρίς εκμάθηση
   • Μόνο με ενίσχυση που μαθαίνει από τα ανθρώπινα κλικ
5. Τι πλεονέκτημα παρέχει η εκπομπή μιας κριτικής «IsRelevant» για κάθε απόσπασμα;
   • Επιταχύνει τη σύνδεση δικτύου
   • Συμπιέζει το χώρο αποθήκευσης εγγράφων
   • Αλλάζει το tokenizer του μοντέλου
   • Φιλτράρει τα ανακτημένα αποσπάσματα που δεν βοηθούν στην πραγματικότητα το ερώτημα
6. How can reflection-token scores affect Self-RAG inference without a new training run?
   • Every query must update all model parameters
   • Weighted critique scores can be combined with generation likelihood during segment-level candidate search
   • The critique scores must replace all source text with random tokens
   • Changing a score weight guarantees all factual errors disappear
7. What should an evaluator infer from a high Self-RAG IsSupported probability alone?
   • The model predicts support, which still needs checking against the actual evidence
   • The answer has been independently verified as true
   • No source passage needs to be read
   • Every external document is guaranteed accurate
8. At what granularity can Self-RAG adapt retrieval while developing a response?
   • Only when the operating system restarts
   • Only after the final answer has been published
   • As generated segments progress, rather than only one fixed retrieval at the beginning
   • Only by changing the tokenizer's vocabulary permanently