Quiz de recherche sémantique

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

1. Quelle distinction décrit un récupérateur sémantique dense par rapport à une base lexicale purement notée par terme ?
   • Chaque système lexical ne peut correspondre qu'à des octets bruts identiques
   • La récupération dense garantit une réponse correcte pour chaque paraphrase
   • Il classe en utilisant les relations vectorielles apprises plutôt que uniquement des preuves basées sur des termes.
   • La récupération sémantique doit ignorer la requête
2. Comment une configuration de recherche dense peut-elle évaluer une requête par rapport à un passage ?
   • En comparant les vecteurs de requêtes et de passages compatibles à l'aide de sa métrique entraînée
   • Uniquement en triant les noms de fichiers de passages
   • Uniquement en prenant la dernière date de publication
   • En exigeant un texte brut identique dans chaque résultat
3. Pourquoi une expérience de recherche dense pourrait-elle utiliser un index HNSW ?
   • To guarantee exact top results for every setting
   • To prove every neighbor is factually correct
   • To eliminate the need to encode searchable items
   • To reduce search work while accepting a possible nearest-neighbor recall tradeoff
4. Quel calcul distingue une étape de reclassement entre codeurs ?
   • Only offline encoding of the passage without its query
   • Joint evaluation of the query with each selected candidate
   • Retraining the whole corpus encoder for every result
   • Removing all candidates before evaluating relevance
5. Qu'est-ce qu'un système de recherche « hybride » ?
   • Un système qui combine les scores vectoriels sémantiques avec la notation classique des mots clés
   • Un système qui fonctionne à la fois sur les téléphones et sur les serveurs
   • Un système qui recherche uniquement les images et l'audio
   • Un système qui n'utilise jamais d'intégrations
6. In a RAG system using semantic retrieval, what does the retriever provide to the generator?
   • A guarantee that every final answer is true
   • Newly trained generator weights for each question
   • Selected source passages as context
   • A replacement for all response generation
7. In the original DPR inference procedure, which representations are computed and indexed offline?
   • Vectors for every possible future question
   • Passage vectors for the searchable corpus
   • Final generated answers for every future user
   • Only scores from jointly processing unknown query-passage pairs
8. What relationship does DPR’s training objective encourage for a question and its positive passage relative to negative passages?
   • An identical score for all positives and negatives
   • A lower positive score than every negative
   • Alphabetical ranking independent of encoder outputs
   • A higher dot-product score for the positive passage