अधिकतम सीमांत प्रासंगिकता प्रश्नोत्तरी

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

1. एमएमआर को किस प्राथमिक समस्या को हल करने के लिए डिज़ाइन किया गया है?
   • बड़े डेटाबेस में धीमी क्वेरी विलंबता
   • उपयोगकर्ता प्रश्नों में ग़लत वर्तनी
   • शुद्ध प्रासंगिकता रैंकिंग से निरर्थक, लगभग-डुप्लिकेट परिणाम
   • एम्बेडिंग के लिए प्रशिक्षण डेटा का अभाव
2. एमएमआर फॉर्मूला में, 1 के करीब लैम्ब्डा मान किस पर जोर देता है?
   • प्रश्न के लिए शुद्ध प्रासंगिकता
   • परिणामों के बीच अधिकतम विविधता
   • सभी अभ्यर्थियों को समान वेटेज
   • यादृच्छिक चयन
3. एमएमआर अपने परिणाम कैसे चुनता है?
   • सभी एक ही अंक को क्रमबद्ध करके
   • एक निश्चित बीज के साथ यादृच्छिक रूप से
   • दस्तावेज़ों के वर्णानुक्रम के अनुसार
   • लालच से, एक-एक करके, पहले से चयनित वस्तुओं से तुलना करना
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. एमएमआर पुनर्प्राप्ति-संवर्धित पीढ़ी (आरएजी) में विशेष रूप से उपयोगी क्यों है?
   • यह पूरक, गैर-अनावश्यक साक्ष्य खंडों की आपूर्ति करता है
   • यह मॉडल के वजन को संपीड़ित करता है
   • यह भाषा मॉडल को स्वचालित रूप से ठीक करता है
   • यह पुनर्प्राप्त दस्तावेज़ों को एन्क्रिप्ट करता है
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