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.

Percorsi guida correlatiMassima rilevanza marginale
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.

  1. 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
  2. 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
  3. 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
  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. 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
  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