Kuiz Perkaitan Marginal Maksimum

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Apakah masalah utama MMR direka untuk diselesaikan?
   • Kependaman pertanyaan perlahan dalam pangkalan data yang besar
   • Ejaan yang salah dalam pertanyaan pengguna
   • Hasil yang berlebihan dan hampir pendua daripada kedudukan perkaitan tulen
   • Kekurangan data latihan untuk pembenaman
2. Dalam formula MMR, apakah yang ditekankan oleh nilai lambda yang hampir dengan 1?
   • Perkaitan murni dengan pertanyaan
   • Kepelbagaian maksimum antara hasil
   • Wajaran sama rata semua calon
   • Pemilihan rawak
3. Bagaimanakah MMR memilih keputusannya?
   • Semuanya sekali gus dengan mengisih satu markah
   • Secara rawak dengan benih tetap
   • Mengikut susunan abjad dokumen
   • Dengan tamak, satu demi satu, membandingkan dengan item yang sudah dipilih
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. Mengapakah MMR amat berguna dalam penjanaan dipertingkatkan semula (RAG)?
   • Ia membekalkan ketulan bukti yang saling melengkapi dan tidak berlebihan
   • Ia memampatkan berat model
   • Ia memperhalusi model bahasa secara automatik
   • Ia menyulitkan dokumen yang diambil semula
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