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.
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.
- 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
- Besides MS MARCO, on which dataset did Nogueira and Cho report strong results for their BERT passage reranker?
- ImageNet
- TREC-CAR
- LibriSpeech
- SQuAD only
- 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
- 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
- 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
- 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
- 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
- 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