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.
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.
- 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
- Besides MS MARCO, on which dataset did Nogueira and Cho report strong results for their BERT passage reranker?
- BeeldNet
- TREC-CAR
- LibriSpeech
- SQuAD only
- 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
- 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
- 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
- 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
- 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
- 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