Quiz sur la pertinence marginale maximale

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quel est le principal problème que le MMR est censé résoudre ?
   • Latence de requête lente dans les grandes bases de données
   • Orthographe incorrecte dans les requêtes des utilisateurs
   • Résultats redondants et quasi-dupliqués provenant d'un classement par pertinence pure
   • Manque de données de formation pour les intégrations
2. Dans la formule MMR, que souligne une valeur lambda proche de 1 ?
   • Pertinence pure par rapport à la requête
   • Diversité maximale des résultats
   • Pondération égale de tous les candidats
   • Sélection aléatoire
3. Comment MMR sélectionne-t-il ses résultats ?
   • Tout à la fois en triant une seule partition
   • Au hasard avec une graine fixe
   • Par ordre alphabétique des documents
   • Goulûment, un à la fois, en comparant les éléments déjà sélectionnés
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. Pourquoi le MMR est-il particulièrement utile dans la génération augmentée par récupération (RAG) ?
   • Il fournit des éléments de preuve complémentaires et non redondants
   • Il compresse les poids du modèle
   • Il affine automatiquement le modèle de langage
   • Il crypte les documents récupérés
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