Cuestionario vinculado a una guía · duro Nivel
Prueba de redacción de RAG especulativo y recuperación aumentada
Comprueba la agrupación de documentos, los borradores de respuestas paralelos, la generación de fundamentos, la puntuación del verificador y cómo la especulación cambia la latencia de recuperación.
Pregunta 1 de 8
En el RAG especulativo, ¿qué papel juega el modelo más pequeño?
Vista previa de cada pregunta8 preguntas
Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.
- En el RAG especulativo, ¿qué papel juega el modelo más pequeño?
- Redacta múltiples respuestas de candidatos a partir de subconjuntos de documentos recuperados.
- Verifica y clasifica las respuestas finales.
- Almacena la base de datos vectorial.
- Solo maneja tokenización.
- ¿Por qué los documentos recuperados se agrupan antes de redactarlos?
- Para comprimirlos en un solo token
- Formar subconjuntos de evidencia diversos y no redundantes para diferentes borradores.
- Para eliminar modelos duplicados
- Para aumentar el vocabulario del modelo.
- ¿Qué hace principalmente el modelo de 'verificador' más grande?
- Generar los documentos recuperados.
- Entrenar el modelo de incrustación
- Califica los borradores de los candidatos y selecciona el mejor
- Agrupar los documentos
- ¿Cómo reduce el RAG especulativo la latencia en comparación con el RAG estándar?
- Saltándose la recuperación por completo
- Usando una ventana contextual más pequeña sin documentos
- Almacenando en caché la pregunta del usuario
- Al hacer que un modelo pequeño realice borradores en paralelo, el modelo grande solo verifica borradores cortos.
- Cada borrador elaborado por el redactor normalmente incluye:
- Un razonamiento que explica la respuesta.
- Un nuevo conjunto de pesas modelo.
- El índice vectorial completo
- Una lista de todos los usuarios.
- ¿A qué técnica de decodificación es conceptualmente similar la estructura de borrador y verificación del RAG especulativo?
- Poda de búsqueda de haz
- Decodificación especulativa
- Muestreo codicioso
- Filtrado top-k
- What information can the Speculative RAG verifier use when ranking candidate drafts?
- Only the length of each document
- The GPU type and cluster name
- Draft consistency, rationale likelihood and a self-reflection signal
- A random choice among the drafts
- Why sample documents from different clusters for separate drafts?
- To ensure every draft sees identical passages
- To remove all retrieved evidence
- To make each drafter use a different tokenizer
- To give the drafts diverse, less-redundant evidence subsets