Gids-gekoppelde quiz · Middelmatig Niveau
Hybride zoekquiz
Beoordeel lexicaal en dense retrieval, rank fusie, neurale sparse methoden en waarom de kwaliteit van retrieval per domein varieert. Test elk op doelqueries.
Vraag 1 van 8
Welke twee zoekmethoden worden doorgaans gecombineerd bij hybride zoeken?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Welke twee zoekmethoden worden doorgaans gecombineerd bij hybride zoeken?
- Spaarzaam zoeken op trefwoorden (bijv. BM25) en intensief zoeken naar vectoren
- Twee verschillende grote taalmodellen stemmen over antwoorden
- Alleen SQL-query's en volledige tekstindexen
- Zoeken naar afbeeldingen en audio
- Waarom wordt Reciprocal Rank Fusion (RRF) vaak gebruikt om resultaten samen te voegen?
- Voor elke zoekopdracht wordt een nieuw neuraal netwerk getraind
- Het combineert documenten op rangpositie in plaats van op ruwe scores, waardoor schaalverschillen worden vermeden
- Het verwijdert elk document dat in beide lijsten voorkomt
- Het houdt alleen het beste resultaat van elke retriever bij
- Welk scenario geeft de meeste voorkeur aan de schaarse component (trefwoord) van hybride zoeken?
- Documenten zoeken die de vraag met verschillende woorden parafraseren
- De emotionele toon van een zin begrijpen
- Matchen met een exact onderdeelnummer of foutcode die letterlijk moet verschijnen
- Een vraag vertalen naar een andere taal
- Wat is de belangrijkste zwakte van het alleen gebruiken van 'dense vector search'?
- Het kan geen synoniemen of parafrases begrijpen
- Het werkt alleen op afbeeldingen
- Het vereist helemaal geen inbedding
- Het kan exacte zeldzame tokens missen, zoals specifieke codes of achternamen
- Wat doet een geleerd schaars model als SPLADE?
- Het produceert interpreteerbare termgewichten met behulp van een neuraal netwerk, waarbij schaarse en compacte ideeën worden gecombineerd
- Het verwijdert alle trefwoordovereenkomsten uit de zoekopdracht
- Het slaat alleen afbeeldingen op als vectoren
- Het vervangt de noodzaak van terughalen
- What can combining lexical and dense retrieval provide to a RAG system?
- A guarantee that every generated statement is true
- Potentially more varied candidate evidence, subject to evaluation of retrieval and answer quality
- A replacement for grounding sources
- An automatic legal review of generated answers
- What tradeoff did BEIR report for reranking and late-interaction methods on average?
- They always ran faster and used less compute than BM25
- They made retrieval independent of the corpus
- They often achieved stronger zero-shot performance but at higher computational cost
- They guaranteed a correct generated answer
- What did the BEIR benchmark conclude about BM25 in zero-shot retrieval?
- It always beats every neural retriever
- It cannot retrieve exact terms
- It is a dense-vector model
- It remains a robust baseline across diverse datasets