라마인덱스 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. LlamaIndex는 주로 무엇을 하도록 설계되었나요?
   • 검색 증강 생성을 위해 LLM을 데이터에 연결
   • 새로운 기초 모델 학습
   • 이미지 및 비디오 생성
   • 클라우드에서 GPU 클러스터 관리
2. LlamaIndex가 출시되었을 때 원래 이름은 무엇이었나요?
   • 데이터체인
   • GPT 지수
   • 벡터베이스
   • 라마허브
3. 프롬프트에 모든 것을 붙여넣는 대신 검색이 필요한 이유는 무엇입니까?
   • LLM은 텍스트 파일을 읽을 수 없습니다.
   • 임베딩은 불법으로 저장됩니다.
   • 모델의 컨텍스트 창이 제한되어 있고 개인 데이터에 대한 지식이 없습니다.
   • 검색을 통해 모델 학습 속도 향상
4. LlamaIndex 파이프라인에서는 의미 체계 검색을 활성화하기 위해 문서의 각 청크에서 무엇이 생성되나요?
   • 압축된 ZIP 파일
   • SQL 테이블 행
   • 스크린샷
   • 벡터 임베딩
5. LlamaParse는 무엇을 처리하도록 제작되었나요?
   • 수집을 위해 복잡한 PDF, 테이블, 문서 구문 분석
   • 소스 코드를 구문 트리로 구문 분석
   • 오디오를 스크립트로 구문 분석
   • 네트워크 패킷 구문 분석
6. Where do LlamaIndex node postprocessors run in the documented query pipeline?
   • Before documents are parsed or indexed
   • After retrieval and before response synthesis
   • Only after a final answer is returned
   • Between model pretraining and tokenizer training
7. What does LlamaIndex’s SubQuestionQueryEngine do with a complex multi-source question?
   • Converts every document into a single unsearchable string
   • Runs only a fixed keyword lookup with no query planning
   • Creates subquestions for relevant data sources and synthesizes the intermediate responses
   • Fine-tunes the language model on the documents
8. In a LlamaIndex query pipeline, what is the response synthesizer responsible for?
   • Choosing the original PDF files before ingestion
   • Training the embedding model from scratch
   • Replacing the retriever’s index with a file system
   • Combining the query and retrieved Nodes to produce a response