मॉडलों की पुनः रैंकिंग प्रश्नोत्तरी

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

1. एक सामान्य दो-चरण पुनर्प्राप्ति पाइपलाइन में, पुनर्रैंकर का काम क्या है?
   • प्रासंगिकता के लिए उम्मीदवारों की एक संक्षिप्त सूची को फिर से स्कोर करना और पुन: व्यवस्थित करना
   • लाखों दस्तावेज़ों में से प्रारंभिक उम्मीदवारों को निकालने के लिए
   • दस्तावेज़ों को डेटाबेस में संग्रहीत करना
   • अंतिम प्राकृतिक-भाषा उत्तर उत्पन्न करने के लिए
2. Besides MS MARCO, on which dataset did Nogueira and Cho report strong results for their BERT passage reranker?
   • इमेजनेट
   • TREC-CAR
   • लिब्रिस्पीच
   • SQuAD only
3. लाखों दस्तावेज़ों को सीधे खोजने के लिए क्रॉस-एनकोडर रीरैंकर का उपयोग क्यों नहीं किया जा सकता?
   • यह केवल छवियों पर काम करता है
   • यह पाठ नहीं पढ़ सकता
   • प्रत्येक क्वेरी-दस्तावेज़ जोड़ी के लिए इसके स्कोर की नए सिरे से गणना की जानी चाहिए, जो पैमाने पर बहुत धीमी है
   • इसके लिए किसी गणना की आवश्यकता नहीं है
4. क्रॉस-एनकोडर की तुलना में द्वि-एनकोडर का मुख्य लाभ क्या है?
   • सूक्ष्म प्रासंगिकता के मामले में यह अधिक सटीक है
   • यह हमेशा परिणामों को पूर्णतः पुन: व्यवस्थित करता है
   • इसके लिए किसी प्रशिक्षण डेटा की आवश्यकता नहीं है
   • इसके दस्तावेज़ एम्बेडिंग की पूर्व-गणना की जा सकती है, जिससे पुनर्प्राप्ति तेज़ और स्केलेबल हो जाती है
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