Prueba de índice de llamas

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

1. ¿Para qué está diseñado principalmente LlamaIndex?
   • Conecte LLM a sus datos para una generación mejorada de recuperación
   • Entrene nuevos modelos de cimentación
   • Generar imágenes y vídeo.
   • Administrar clústeres de GPU en la nube
2. ¿Cómo se llamaba originalmente LlamaIndex cuando se lanzó?
   • Cadena de datos
   • Índice GPT
   • Base vectorial
   • LlamaHub
3. ¿Por qué es necesaria la recuperación en lugar de simplemente pegar todo en el mensaje?
   • Los LLM no pueden leer archivos de texto
   • Es ilegal almacenar incrustaciones
   • Los modelos tienen ventanas de contexto limitadas y no tienen conocimiento de datos privados.
   • La recuperación hace que los modelos entrenen más rápido
4. En una canalización de LlamaIndex, ¿qué se crea a partir de cada fragmento de un documento para permitir la búsqueda semántica?
   • Un archivo ZIP comprimido
   • Una fila de la tabla SQL
   • Una captura de pantalla
   • Una incrustación de vectores
5. ¿Para qué está diseñado LlamaParse?
   • Análisis de archivos PDF, tablas y documentos complejos para su ingesta
   • Analizar el código fuente en árboles de sintaxis
   • Analizar audio en transcripciones
   • Analizando paquetes de red
6. Where do LlamaIndex node postprocessors run in the documented query pipeline?
   • Before documents are parsed or indexed
   • After retrieval and before response synthesis
   • Only after a final answer is returned
   • Between model pretraining and tokenizer training
7. What does LlamaIndex’s SubQuestionQueryEngine do with a complex multi-source question?
   • Converts every document into a single unsearchable string
   • Runs only a fixed keyword lookup with no query planning
   • Creates subquestions for relevant data sources and synthesizes the intermediate responses
   • Fine-tunes the language model on the documents
8. In a LlamaIndex query pipeline, what is the response synthesizer responsible for?
   • Choosing the original PDF files before ingestion
   • Training the embedding model from scratch
   • Replacing the retriever’s index with a file system
   • Combining the query and retrieved Nodes to produce a response