Questionário vinculado ao guia · Difícil Nível

Questionário de auto-RAG e recuperação reflexiva

Revise a recuperação adaptativa Self-RAG, tokens de reflexão, treinamento crítico supervisionado, pontuação de segmento e os limites dos julgamentos de suporte gerados pelo modelo.

Caminhos de guia relacionadosAuto RAG e recuperação reflexiva
Pergunta 1 de 8

Compared with a baseline that retrieves for every input, what adaptive decision does Self-RAG learn?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  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. O que são 'tokens de reflexão' no Self-RAG?
    • Chaves de criptografia para documentos
    • Credenciais de login do usuário
    • Carimbos de data e hora em arquivos recuperados
    • Tokens de controle especiais que o modelo emite para avaliar relevância, suporte e utilidade
  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. Como um modelo Self-RAG é normalmente treinado para produzir tokens de reflexão?
    • Aprendizagem supervisionada em dados rotulados com tokens de reflexão, muitas vezes extraídos de um modelo mais forte
    • Clustering puramente não supervisionado
    • Codificando regras manualmente sem aprendizado
    • Somente com aprendizagem por reforço a partir de cliques humanos
  5. Que vantagem oferece a emissão de uma crítica 'IsRelevant' para cada passagem?
    • Acelera a conexão de rede
    • Ele comprime o armazenamento de documentos
    • Muda o tokenizer do modelo
    • Ele filtra passagens recuperadas que na verdade não ajudam na consulta
  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