Quiz collegato alla guida · Medio Livello
Quiz sulla massima rilevanza marginale
Testare il punteggio di diversità di pertinenza MMR, la selezione avida, gli aggiornamenti di ridondanza memorizzati nella cache e i limiti imposti dal pool di candidati al recupero iniziale.
Domanda 1 di 8
Qual è il problema principale che l’MMR è progettato per risolvere?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è il problema principale che l’MMR è progettato per risolvere?
- Latenza delle query lenta nei database di grandi dimensioni
- Ortografia errata nelle query degli utenti
- Risultati ridondanti e quasi duplicati dalla classificazione per pura pertinenza
- Mancanza di dati di addestramento per gli incorporamenti
- Nella formula MMR, cosa enfatizza un valore lambda vicino a 1?
- Pertinenza pura alla query
- Massima diversità tra i risultati
- Parità di peso tra tutti i candidati
- Selezione casuale
- In che modo MMR seleziona i suoi risultati?
- Tutto in una volta ordinando un unico punteggio
- Casualmente con un seme fisso
- Per ordine alfabetico dei documenti
- Avidamente, uno alla volta, confrontandosi con gli elementi già selezionati
- 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
- Perché l'MMR è particolarmente utile nella generazione aumentata con recupero (RAG)?
- Fornisce porzioni di prove complementari e non ridondanti
- Comprime i pesi del modello
- Ottimizza automaticamente il modello linguistico
- Crittografa i documenti recuperati
- 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
- 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
- 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