Gids-gekoppelde quiz · Moeilijk Niveau
Zelf-RAG en Reflective Retrieval Quiz
Beoordeel zelf-RAG adaptief ophalen, reflectietokens, begeleide kritiektraining, segmentscores en de grenzen van door modellen gegenereerde ondersteunende oordelen.
Vraag 1 van 8
Compared with a baseline that retrieves for every input, what adaptive decision does Self-RAG learn?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Compared with a baseline that retrieves for every input, what adaptive decision does Self-RAG learn?
- Which operating system to install for every query
- Whether retrieval is needed, including decisions as generation progresses
- How to permanently remove all document sources
- How to prove every generated statement without inspecting evidence
- Wat zijn 'reflectietokens' in Self-RAG?
- Encryptiesleutels voor documenten
- Inloggegevens van gebruiker
- Tijdstempels op opgehaalde bestanden
- Speciale controletokens die het model uitzendt om de relevantie, ondersteuning en bruikbaarheid te beoordelen
- What does Self-RAG's IsSupported reflection token predict?
- Whether the model's hardware has enough disk space
- Whether a support ticket has been paid
- Whether a generated segment is supported by the retrieved evidence
- Whether every source claim is independently proven true
- Hoe wordt een Self-RAG-model doorgaans getraind om reflectietokens te produceren?
- Begeleid leren op basis van gegevens die zijn gelabeld met reflectietokens, vaak gedestilleerd uit een sterker model
- Puur onbewaakte clustering
- Door regels met de hand te coderen zonder dat u ze hoeft te leren
- Alleen met versterkend leren van menselijke klikken
- Welk voordeel biedt het uiten van een ‘IsRelevant’-kritiek voor elke passage?
- Het versnelt de netwerkverbinding
- Het comprimeert de documentopslag
- Het verandert de tokenizer van het model
- Het filtert gevonden passages eruit die de vraag niet echt helpen
- How can reflection-token scores affect Self-RAG inference without a new training run?
- Every query must update all model parameters
- Weighted critique scores can be combined with generation likelihood during segment-level candidate search
- The critique scores must replace all source text with random tokens
- Changing a score weight guarantees all factual errors disappear
- What should an evaluator infer from a high Self-RAG IsSupported probability alone?
- The model predicts support, which still needs checking against the actual evidence
- The answer has been independently verified as true
- No source passage needs to be read
- Every external document is guaranteed accurate
- At what granularity can Self-RAG adapt retrieval while developing a response?
- Only when the operating system restarts
- Only after the final answer has been published
- As generated segments progress, rather than only one fixed retrieval at the beginning
- Only by changing the tokenizer's vocabulary permanently