Questionário de pesquisa híbrida

As respostas e explicações aparecem conforme você responde ao teste.

1. Quais são as duas abordagens de recuperação que a pesquisa híbrida normalmente combina?
   • Pesquisa esparsa por palavra-chave (por exemplo, BM25) e pesquisa vetorial densa
   • Dois diferentes modelos de linguagem grande votando nas respostas
   • Somente consultas SQL e índices de texto completo
   • Pesquisa de imagens e pesquisa de áudio
2. Por que o Reciprocal Rank Fusion (RRF) é comumente usado para mesclar resultados?
   • Ele treina uma nova rede neural para cada consulta
   • Combina documentos por posição de classificação em vez de pontuações brutas, evitando incompatibilidade de escala
   • Exclui qualquer documento que apareça em ambas as listas
   • Ele mantém apenas o resultado principal de cada recuperador
3. Qual cenário favorece mais o componente esparso (palavra-chave) da pesquisa híbrida?
   • Encontrar documentos que parafraseiam a consulta com palavras diferentes
   • Compreender o tom emocional de uma frase
   • Corresponder a um número de peça exato ou código de erro que deve aparecer literalmente
   • Traduzindo uma consulta para outro idioma
4. Qual é o principal ponto fraco de usar apenas a pesquisa vetorial densa?
   • Não consegue entender sinônimos ou paráfrases
   • Só funciona em imagens
   • Não requer nenhum embutimento
   • Pode perder tokens raros exatos, como códigos ou sobrenomes específicos
5. O que um modelo esparso aprendido como o SPLADE faz?
   • Produz pesos de termos interpretáveis usando uma rede neural, combinando ideias esparsas e densas
   • Remove todas as correspondências de palavras-chave da pesquisa
   • Ele armazena apenas imagens como vetores
   • Ele substitui a necessidade de qualquer recuperação
6. What can combining lexical and dense retrieval provide to a RAG system?
   • A guarantee that every generated statement is true
   • Potentially more varied candidate evidence, subject to evaluation of retrieval and answer quality
   • A replacement for grounding sources
   • An automatic legal review of generated answers
7. What tradeoff did BEIR report for reranking and late-interaction methods on average?
   • They always ran faster and used less compute than BM25
   • They made retrieval independent of the corpus
   • They often achieved stronger zero-shot performance but at higher computational cost
   • They guaranteed a correct generated answer
8. What did the BEIR benchmark conclude about BM25 in zero-shot retrieval?
   • It always beats every neural retriever
   • It cannot retrieve exact terms
   • It is a dense-vector model
   • It remains a robust baseline across diverse datasets