최대 한계 관련성 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. MMR이 해결하도록 설계된 주요 문제는 무엇입니까?
   • 대규모 데이터베이스의 느린 쿼리 대기 시간
   • 사용자 쿼리의 철자가 잘못되었습니다.
   • 순수 관련성 순위로 인한 중복되고 거의 중복된 결과
   • 임베딩을 위한 훈련 데이터 부족
2. MMR 공식에서 1에 가까운 람다 값은 무엇을 강조합니까?
   • 쿼리와의 순수한 관련성
   • 결과의 다양성 극대화
   • 모든 후보자에게 동등한 가중치 부여
   • 무작위 선택
3. MMR은 결과를 어떻게 선택합니까?
   • 하나의 점수로 정렬하여 한번에
   • 고정된 시드로 무작위로
   • 문서의 알파벳순으로
   • 탐욕스럽게 이미 선택된 항목과 하나씩 비교하면서
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. MMR이 RAG(검색 증강 생성)에 특히 유용한 이유는 무엇입니까?
   • 보완적이고 중복되지 않는 증거 덩어리를 제공합니다.
   • 모델의 가중치를 압축합니다.
   • 언어 모델을 자동으로 미세 조정합니다.
   • 검색된 문서를 암호화합니다.
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