Quiz lié à un guide · Difficile Niveau

Quiz d'auto-RAG et de récupération réflexive

Passez en revue la récupération adaptative Self-RAG, les jetons de réflexion, la formation critique supervisée, la notation de segment et les limites des jugements de support générés par le modèle.

Chemins de guidage associésAuto RAG et récupération réfléchie
Question 1 de 8

Compared with a baseline that retrieves for every input, what adaptive decision does Self-RAG learn?

Prévisualisez chaque question8 des questions

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

  1. Compared with a baseline that retrieves for every input, what adaptive decision does Self-RAG learn?
    • Which operating system to install for every query
    • Whether retrieval is needed, including decisions as generation progresses
    • How to permanently remove all document sources
    • How to prove every generated statement without inspecting evidence
  2. Que sont les « jetons de réflexion » dans Self-RAG ?
    • Clés de cryptage des documents
    • Identifiants de connexion de l'utilisateur
    • Horodatages sur les fichiers récupérés
    • Jetons de contrôle spéciaux émis par le modèle pour juger de la pertinence, du support et de l'utilité
  3. What does Self-RAG's IsSupported reflection token predict?
    • Whether the model's hardware has enough disk space
    • Whether a support ticket has been paid
    • Whether a generated segment is supported by the retrieved evidence
    • Whether every source claim is independently proven true
  4. Comment un modèle Self-RAG est-il généralement formé pour produire des jetons de réflexion ?
    • Apprentissage supervisé sur des données étiquetées avec des jetons de réflexion, souvent distillées à partir d'un modèle plus solide
    • Clustering purement non supervisé
    • En codant les règles à la main sans apprentissage
    • Uniquement avec l'apprentissage par renforcement à partir de clics humains
  5. Quel avantage offre l'émission d'une critique « IsRelevant » pour chaque passage ?
    • Il accélère la connexion réseau
    • Il compresse le magasin de documents
    • Cela change le tokenizer du modèle
    • Il filtre les passages récupérés qui n'aident pas réellement la requête
  6. How can reflection-token scores affect Self-RAG inference without a new training run?
    • Every query must update all model parameters
    • Weighted critique scores can be combined with generation likelihood during segment-level candidate search
    • The critique scores must replace all source text with random tokens
    • Changing a score weight guarantees all factual errors disappear
  7. What should an evaluator infer from a high Self-RAG IsSupported probability alone?
    • The model predicts support, which still needs checking against the actual evidence
    • The answer has been independently verified as true
    • No source passage needs to be read
    • Every external document is guaranteed accurate
  8. At what granularity can Self-RAG adapt retrieval while developing a response?
    • Only when the operating system restarts
    • Only after the final answer has been published
    • As generated segments progress, rather than only one fixed retrieval at the beginning
    • Only by changing the tokenizer's vocabulary permanently