Prueba de máxima relevancia marginal

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

1. ¿Cuál es el problema principal que MMR está diseñado para resolver?
   • Latencia de consulta lenta en bases de datos grandes
   • Ortografía incorrecta en las consultas de los usuarios
   • Resultados redundantes y casi duplicados de la clasificación de relevancia pura
   • Falta de datos de entrenamiento para incrustaciones.
2. En la fórmula MMR, ¿qué enfatiza un valor lambda cercano a 1?
   • Pura relevancia para la consulta.
   • Máxima diversidad entre resultados
   • Ponderación igual de todos los candidatos.
   • Selección aleatoria
3. ¿Cómo selecciona MMR sus resultados?
   • Todo a la vez clasificando una sola puntuación
   • Al azar con una semilla fija
   • Por orden alfabético de documentos
   • Con avidez, uno a la vez, comparándolos con elementos ya seleccionados.
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. ¿Por qué MMR es especialmente útil en la generación de recuperación aumentada (RAG)?
   • Proporciona fragmentos de evidencia complementarios y no redundantes.
   • Comprime los pesos del modelo.
   • Ajusta el modelo de lenguaje automáticamente.
   • Cifra los documentos recuperados.
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