Gids-gekoppelde quiz · Middelmatig Niveau
Semantische zoekquiz
Bestudeer dichte semantische retrieval en hybride rangschikking, met geschatte indexen, herrangschikking van cross-encoder, DPR-training en offline passage-codering.
Vraag 1 van 8
Wat beschrijft het onderscheid tussen een dichte semantische retriever en een puur term-scored lexicale baseline?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat beschrijft het onderscheid tussen een dichte semantische retriever en een puur term-scored lexicale baseline?
- Every lexical system can match only identical raw bytes
- Dense retrieval guarantees a correct answer for every paraphrase
- It ranks using learned vector relationships rather than only term-based evidence
- Semantic retrieval must ignore the query
- Hoe kan een dichte zoekopzet een query scoren tegen een passage?
- By comparing compatible query and passage vectors using its trained metric
- Only by sorting passage filenames
- Only by taking the latest publication date
- By requiring identical raw text in every result
- Waarom zou een dichte zoekexperiment een HNSW-index gebruiken?
- To guarantee exact top results for every setting
- To prove every neighbor is factually correct
- To eliminate the need to encode searchable items
- To reduce search work while accepting a possible nearest-neighbor recall tradeoff
- Wat onderscheidt een cross-encoder reranking-fase op computationeel vlak?
- Only offline encoding of the passage without its query
- Joint evaluation of the query with each selected candidate
- Retraining the whole corpus encoder for every result
- Removing all candidates before evaluating relevance
- Wat is een 'hybride' zoeksysteem?
- Een systeem dat semantische vectorscores combineert met klassieke trefwoordscores
- Een systeem dat zowel op telefoons als op servers draait
- Een systeem dat alleen afbeeldingen en audio doorzoekt
- Een systeem dat nooit gebruik maakt van inbedding
- In a RAG system using semantic retrieval, what does the retriever provide to the generator?
- A guarantee that every final answer is true
- Newly trained generator weights for each question
- Selected source passages as context
- A replacement for all response generation
- In the original DPR inference procedure, which representations are computed and indexed offline?
- Vectors for every possible future question
- Passage vectors for the searchable corpus
- Final generated answers for every future user
- Only scores from jointly processing unknown query-passage pairs
- What relationship does DPR’s training objective encourage for a question and its positive passage relative to negative passages?
- An identical score for all positives and negatives
- A lower positive score than every negative
- Alphabetical ranking independent of encoder outputs
- A higher dot-product score for the positive passage