Quiz dotyczący maksymalnej trafności marginalnej

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki jest główny problem, który ma rozwiązać MMR?
   • Małe opóźnienia zapytań w dużych bazach danych
   • Niepoprawna pisownia w zapytaniach użytkowników
   • Zbędne, niemal zduplikowane wyniki pochodzące z czystego rankingu trafności
   • Brak danych szkoleniowych dla osadzania
2. Co we wzorze MMR podkreśla wartość lambda bliska 1?
   • Czyste znaczenie dla zapytania
   • Maksymalna różnorodność wyników
   • Równa waga wszystkich kandydatów
   • Losowy wybór
3. Jak MMR wybiera swoje wyniki?
   • Wszystko na raz, sortując pojedynczy wynik
   • Losowo ze stałym materiałem siewnym
   • Według kolejności alfabetycznej dokumentów
   • Chciwie, pojedynczo, porównując z już wybranymi przedmiotami
4. How can an embedding-based MMR implementation measure query relevance and document redundancy?
   • Using only a document's filename length
   • Using a similarity measure such as cosine, without MMR requiring that one measure universally
   • Using a mandatory audio-transcription score for all text
   • Using no relevance or inter-document comparison at all
5. Dlaczego MMR jest szczególnie przydatny w generowaniu wspomaganym odzyskiwaniu (RAG)?
   • Dostarcza uzupełniających, nie zbędnych fragmentów materiału dowodowego
   • Uciska ciężary modelu
   • Automatycznie dostraja model języka
   • Szyfruje odzyskane dokumenty
6. If MMR caches each candidate's maximum redundancy and updates it against each new selection, roughly how many similarities are needed for k picks from n candidates?
   • Always constant time independent of k and n
   • Exactly n factorial for every implementation
   • About k times n, ignoring vector dimension and initial setup
   • No document comparisons after the first query score
7. With lambda equal to 0.5, relevance 0.8, and maximum selected-item similarity 0.9, what is a candidate's MMR scoring term?
   • 0.85, from averaging the two similarities
   • Minus 0.05, from 0.5 times 0.8 minus 0.5 times 0.9
   • 0.72, from multiplying relevance and redundancy
   • 1.7, from adding the two similarities
8. Can an MMR reranker select a relevant document that the upstream retrieval candidate pool omitted?
   • Yes; diversity scoring invents missing source documents
   • Yes; a lower lambda automatically searches the whole corpus
   • Yes; reranking changes the document's original publication date
   • No; it chooses among the supplied candidates unless the upstream pool is expanded