Gids-gekoppelde quiz · Middelmatig Niveau

Quiz voor modellen opnieuw rangschikken

Test de rollen van retrievers en rerankers, vergelijk cross-encoders met bi-encoders en onderzoek listwise ranking van kandidaatsets.

Gerelateerde gidspadenModellen opnieuw rangschikken
Vraag 1 van 8

Wat is de taak van de reranker in een typische ophaalpijplijn in twee fasen?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is de taak van de reranker in een typische ophaalpijplijn in twee fasen?
    • Om een shortlist van kandidaten opnieuw te scoren en opnieuw te ordenen op relevantie
    • Om de eerste kandidaten uit miljoenen documenten te halen
    • Om documenten in een database op te slaan
    • Om het uiteindelijke antwoord in natuurlijke taal te genereren
  2. Besides MS MARCO, on which dataset did Nogueira and Cho report strong results for their BERT passage reranker?
    • BeeldNet
    • TREC-CAR
    • LibriSpeech
    • SQuAD only
  3. Waarom kan een cross-encoder reranker niet worden gebruikt om miljoenen documenten rechtstreeks te doorzoeken?
    • Het werkt alleen op afbeeldingen
    • Het kan geen tekst lezen
    • De scores moeten voor elk query-documentpaar opnieuw worden berekend, wat op schaal te traag is
    • Het vereist helemaal geen berekening
  4. Wat is het belangrijkste voordeel van een bi-encoder ten opzichte van een cross-encoder?
    • Het is nauwkeuriger bij fijnmazige relevantie
    • Het herschikt de resultaten altijd perfect
    • Er zijn geen trainingsgegevens nodig
    • De documentinsluitingen kunnen vooraf worden berekend, waardoor het ophalen snel en schaalbaar is
  5. How can a reranker affect context quality in a retrieval-augmented generation pipeline?
    • It can move more relevant retrieved candidates higher in the context shortlist, but does not guarantee correctness
    • It ensures every retrieved passage is factually correct
    • It creates missing documents in the corpus
    • It removes the need to evaluate retrieval
  6. In listwise reranking, what does the model consider together?
    • Only one document with no query
    • A query and a set of candidate documents when deciding their ordering
    • Each document embedding before any candidate retrieval
    • A single relevance label for the full training corpus
  7. What should a team verify before interpreting reranker scores as probabilities?
    • Whether every score is above zero
    • Whether the first-stage retriever was removed
    • Whether the scores have been calibrated and evaluated for that use
    • Whether the model has more parameters than the retriever
  8. What limitation does a reranker inherit from the first-stage retrieval system?
    • It always returns a calibrated probability
    • It removes the need for retrieval
    • It guarantees a correct generated answer
    • It cannot promote a relevant document that was never included in the candidate set