Quiz de reclassement des modèles

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

1. Dans un pipeline de récupération typique en deux étapes, quel est le travail du reranker ?
   • Réévaluer et réorganiser une liste restreinte de candidats en fonction de leur pertinence
   • Extraire les premiers candidats de millions de documents
   • Pour stocker des documents dans une base de données
   • Pour générer la réponse finale en langage naturel
2. Besides MS MARCO, on which dataset did Nogueira and Cho report strong results for their BERT passage reranker?
   • ImageNet
   • TREC-CAR
   • LibriDiscours
   • SQuAD only
3. Pourquoi un reclasseur multi-encodeur ne peut-il pas être utilisé pour rechercher directement des millions de documents ?
   • Cela ne fonctionne que sur les images
   • Il ne peut pas lire le texte
   • Ses scores doivent être calculés à nouveau pour chaque paire requête-document, ce qui est trop lent à grande échelle
   • Cela ne nécessite aucun calcul
4. Quel est le principal avantage d’un bi-encodeur par rapport à un encodeur croisé ?
   • Il est plus précis avec une pertinence plus fine
   • Il réorganise toujours parfaitement les résultats
   • Il ne nécessite aucune donnée de formation
   • Ses intégrations de documents peuvent être précalculées, ce qui rend la récupération rapide et évolutive
5. How can a reranker affect context quality in a retrieval-augmented generation pipeline?
   • It can move more relevant retrieved candidates higher in the context shortlist, but does not guarantee correctness
   • It ensures every retrieved passage is factually correct
   • It creates missing documents in the corpus
   • It removes the need to evaluate retrieval
6. In listwise reranking, what does the model consider together?
   • Only one document with no query
   • A query and a set of candidate documents when deciding their ordering
   • Each document embedding before any candidate retrieval
   • A single relevance label for the full training corpus
7. What should a team verify before interpreting reranker scores as probabilities?
   • Whether every score is above zero
   • Whether the first-stage retriever was removed
   • Whether the scores have been calibrated and evaluated for that use
   • Whether the model has more parameters than the retriever
8. What limitation does a reranker inherit from the first-stage retrieval system?
   • It always returns a calibrated probability
   • It removes the need for retrieval
   • It guarantees a correct generated answer
   • It cannot promote a relevant document that was never included in the candidate set