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.

Gerelateerde gidspadenZelf RAG en reflecterend ophalen
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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