हाइब्रिड खोज प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. हाइब्रिड खोज आम तौर पर किन दो पुनर्प्राप्ति दृष्टिकोणों को जोड़ती है?
   • विरल कीवर्ड खोज (जैसे, BM25) और सघन वेक्टर खोज
   • दो अलग-अलग बड़े भाषा मॉडल उत्तरों पर मतदान करते हैं
   • केवल SQL क्वेरीज़ और पूर्ण-पाठ अनुक्रमणिकाएँ
   • छवि खोज और ऑडियो खोज
2. परिणामों को मर्ज करने के लिए आमतौर पर पारस्परिक रैंक फ़्यूज़न (आरआरएफ) का उपयोग क्यों किया जाता है?
   • यह प्रत्येक क्वेरी के लिए एक नया तंत्रिका नेटवर्क प्रशिक्षित करता है
   • यह स्केल बेमेल से बचने के लिए कच्चे स्कोर के बजाय रैंक स्थिति के आधार पर दस्तावेजों को जोड़ता है
   • यह दोनों सूचियों में दिखाई देने वाले किसी भी दस्तावेज़ को हटा देता है
   • यह प्रत्येक रिट्रीवर से केवल एक शीर्ष परिणाम रखता है
3. कौन सा परिदृश्य हाइब्रिड खोज के विरल (कीवर्ड) घटक को सबसे अधिक पसंद करता है?
   • ऐसे दस्तावेज़ ढूंढना जो क्वेरी को अलग-अलग शब्दों में परिभाषित करते हों
   • किसी वाक्य के भावनात्मक स्वर को समझना
   • सटीक भाग संख्या या त्रुटि कोड का मिलान जो अक्षरशः प्रकट होना चाहिए
   • किसी क्वेरी का दूसरी भाषा में अनुवाद करना
4. अकेले सघन वेक्टर खोज का उपयोग करने की मुख्य कमजोरी क्या है?
   • यह पर्यायवाची शब्द या व्याख्याएँ नहीं समझ सकता
   • यह केवल छवियों पर काम करता है
   • इसमें किसी एम्बेडिंग की आवश्यकता नहीं है
   • यह विशिष्ट कोड या उपनाम जैसे सटीक दुर्लभ टोकन को मिस कर सकता है
5. SPLADE जैसा सीखा हुआ विरल मॉडल क्या करता है?
   • यह एक तंत्रिका नेटवर्क का उपयोग करके, विरल और सघन विचारों को मिलाकर व्याख्या योग्य शब्द भार तैयार करता है
   • यह खोज से मेल खाने वाले सभी कीवर्ड हटा देता है
   • यह केवल छवियों को वैक्टर के रूप में संग्रहीत करता है
   • यह किसी भी पुनर्प्राप्ति की आवश्यकता को प्रतिस्थापित करता है
6. What can combining lexical and dense retrieval provide to a RAG system?
   • A guarantee that every generated statement is true
   • Potentially more varied candidate evidence, subject to evaluation of retrieval and answer quality
   • A replacement for grounding sources
   • An automatic legal review of generated answers
7. What tradeoff did BEIR report for reranking and late-interaction methods on average?
   • They always ran faster and used less compute than BM25
   • They made retrieval independent of the corpus
   • They often achieved stronger zero-shot performance but at higher computational cost
   • They guaranteed a correct generated answer
8. What did the BEIR benchmark conclude about BM25 in zero-shot retrieval?
   • It always beats every neural retriever
   • It cannot retrieve exact terms
   • It is a dense-vector model
   • It remains a robust baseline across diverse datasets