Prueba de búsqueda híbrida

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué dos enfoques de recuperación suele combinar la búsqueda híbrida?
   • Búsqueda escasa de palabras clave (por ejemplo, BM25) y búsqueda vectorial densa
   • Dos modelos de lenguaje grandes diferentes votando las respuestas.
   • Consultas SQL e índices de texto completo únicamente
   • Búsqueda de imágenes y búsqueda de audio.
2. ¿Por qué se utiliza comúnmente la fusión de rangos recíprocos (RRF) para fusionar resultados?
   • Entrena una nueva red neuronal para cada consulta.
   • Combina documentos por posición de clasificación en lugar de puntuaciones brutas, evitando discrepancias en la escala.
   • Elimina cualquier documento que aparezca en ambas listas.
   • Solo mantiene el resultado superior de cada perro perdiguero.
3. ¿Qué escenario favorece más el componente escaso (palabra clave) de la búsqueda híbrida?
   • Encontrar documentos que parafraseen la consulta con diferentes palabras.
   • Comprender el tono emocional de una frase.
   • Coincidir con un número de pieza exacto o un código de error que debe aparecer literalmente
   • Traducir una consulta a otro idioma
4. ¿Cuál es la principal debilidad de utilizar únicamente la búsqueda de vectores densos?
   • No puede entender sinónimos o paráfrasis.
   • Sólo funciona en imágenes.
   • No requiere ninguna incrustación
   • Puede omitir tokens raros exactos, como códigos o apellidos específicos.
5. ¿Qué hace un modelo disperso aprendido como SPLADE?
   • Produce ponderaciones de términos interpretables utilizando una red neuronal, combinando ideas escasas y densas.
   • Elimina todas las coincidencias de palabras clave de la búsqueda.
   • Sólo almacena imágenes como vectores.
   • Reemplaza la necesidad de cualquier recuperación.
6. What can combining lexical and dense retrieval provide to a RAG system?
   • A guarantee that every generated statement is true
   • Potentially more varied candidate evidence, subject to evaluation of retrieval and answer quality
   • A replacement for grounding sources
   • An automatic legal review of generated answers
7. What tradeoff did BEIR report for reranking and late-interaction methods on average?
   • They always ran faster and used less compute than BM25
   • They made retrieval independent of the corpus
   • They often achieved stronger zero-shot performance but at higher computational cost
   • They guaranteed a correct generated answer
8. What did the BEIR benchmark conclude about BM25 in zero-shot retrieval?
   • It always beats every neural retriever
   • It cannot retrieve exact terms
   • It is a dense-vector model
   • It remains a robust baseline across diverse datasets