Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Modellek átsorolási kvíz

Test the roles of retrievers and rerankers, compare cross-encoders with bi-encoders, and examine listwise ranking of candidate sets.

Kapcsolódó útmutató utakA modellek átsorolása
kérdés 1 -ból 8

Egy tipikus kétlépcsős visszakeresési folyamatban mi a feladata az átrendezőnek?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Egy tipikus kétlépcsős visszakeresési folyamatban mi a feladata az átrendezőnek?
    • A releváns jelöltek szűkített listájának újrapontozása és átrendezése
    • Több millió dokumentumból kihúzni a kezdeti jelölteket
    • Dokumentumok tárolása adatbázisban
    • A végső természetes nyelvű válasz létrehozása
  2. Besides MS MARCO, on which dataset did Nogueira and Cho report strong results for their BERT passage reranker?
    • ImageNet
    • TREC-CAR
    • LibriSpeech
    • SQuAD only
  3. Miért nem lehet egy keresztkódoló átsorolót közvetlenül dokumentumok milliói között keresni?
    • Csak képeken működik
    • Nem tud szöveget olvasni
    • Pontszámait minden lekérdezés-dokumentum párnál frissen kell kiszámítani, ami túl lassú a skálán
    • Egyáltalán nem igényel számítást
  4. Mi a bi-encoder fő előnye a keresztkódolókkal szemben?
    • Finomszemcsés vonatkozásban pontosabb
    • Mindig tökéletesen újrarendeli az eredményeket
    • Nincs szükség edzési adatokra
    • Dokumentumbeágyazásai előre kiszámíthatók, így a visszakeresés gyors és méretezhető
  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