Cuestionario vinculado a una guía · Medio Nivel

Métricas de evaluación RAG y cuestionario RAGAS

Verifique su comprensión de la evaluación RAG: fidelidad, relevancia de las respuestas, precisión y recuerdo del contexto, y cómo los jueces de LLM las califican.

Rutas de guía relacionadasMétricas y Ragas de Evaluación RAG
Pregunta 1 de 8

¿Qué métrica comprueba si cada afirmación de la respuesta está respaldada por el contexto recuperado?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué métrica comprueba si cada afirmación de la respuesta está respaldada por el contexto recuperado?
    • Answer relevance
    • Context recall
    • Faithfulness
    • Context precision
  2. ¿Cuál de estas métricas requiere una respuesta de referencia de verdad fundamental (ground-truth) para cada pregunta de prueba?
    • Context recall
    • Faithfulness
    • Answer relevance
    • Response latency
  3. ¿Qué mide la precisión del contexto?
    • How quickly chunks are retrieved
    • Whether the answer is short
    • How many documents are in the index
    • Whether the relevant retrieved chunks are ranked near the top
  4. ¿Cómo estima RAGAS la relevancia de la respuesta?
    • By counting words shared by answer and context
    • By generating questions the answer would respond to and comparing them to the original question with embeddings
    • By asking the user to rate each answer
    • By checking the answer against a reference with exact string match
  5. Un sistema muestra una alta recuperación de contexto pero una baja precisión de contexto. ¿Cuál es la solución más probable?
    • Improve ranking, for example by adding a reranker
    • Switch to a smaller generation model
    • Remove the reference answers
    • Lower the number of test questions
  6. Why can a perfectly faithful answer still be wrong?
    • Faithfulness only checks grammar
    • Faithfulness ignores the retrieved context
    • It can faithfully repeat an outdated or incorrect document
    • Faithful answers are always too short
  7. Why should teams pin the judge model and settings when comparing RAG systems?
    • Pinning makes the judge free to run
    • Judges only work with one vector database
    • Pinning removes the need for test questions
    • LLM-judge scores vary with the judge model and prompt, so comparisons need identical settings
  8. Retrieval returns the right passages, but the answer adds unsupported details. Where should the team look first?
    • The chunking strategy
    • The prompt or the generation model
    • The embedding model
    • The number of documents indexed