Test de relevanță marginală maximă

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Care este problema principală pe care o rezolvă MMR?
   • Latență lentă a interogărilor în bazele de date mari
   • Ortografie incorectă în interogările utilizatorilor
   • Rezultate redundante, aproape duplicate, din clasarea pură a relevanței
   • Lipsa datelor de instruire pentru încorporare
2. În formula MMR, ce evidențiază o valoare lambda apropiată de 1?
   • Relevanță pură pentru interogare
   • Diversitate maximă între rezultate
   • Ponderea egală a tuturor candidaților
   • Selectare aleatorie
3. Cum își selectează MMR rezultatele?
   • Toate deodată prin sortarea unui singur scor
   • Aleatoriu cu o sămânță fixă
   • După ordinea alfabetică a documentelor
   • Lacom, pe rând, în comparație cu articolele deja selectate
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. De ce este MMR deosebit de utilă în generarea augmentată de recuperare (RAG)?
   • Furnizează bucăți de dovezi complementare, neredundante
   • Comprimă greutățile modelului
   • Reglează automat modelul de limbă
   • Acesta criptează documentele preluate
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