Викторина, связанная с руководством · Средний Уровень
Викторина по контекстному поиску
Тестирует контекстный поиск: добавление контекста документа к фрагментам, контекстное встраивание с помощью контекстного BM25, изменение ранжирования и затраты на оперативное кэширование.
Вопрос 1 из 8
Какую проблему решает контекстный поиск?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Какую проблему решает контекстный поиск?
- Части теряют информацию, такую как компания или период времени, при отделении от документа.
- Вложения слишком дороги для хранения
- Языковые модели не могут читать таблицы
- BM25 не может обрабатывать длинные запросы
- Как генерируется контекст для каждого фрагмента?
- Копируя только заголовок документа
- Языковая модель читает весь документ и его фрагмент и записывает краткое пояснение ситуации.
- Редактор-человек для каждого фрагмента
- Путем усреднения соседних вложений
- Какие два индекса получают контекстуальный текст фрагмента в подходе Anthropic?
- Графовая база данных и кэш
- Таблица SQL и электронная таблица
- Индекс внедрения и индекс ключевых слов BM25.
- Два отдельных векторных индекса с разными моделями
- Согласно экспериментам, о которых сообщает Anthropic, примерно насколько контекстное встраивание плюс контекстный BM25 уменьшили количество ошибок при извлечении из топ-20?
- Около 5 процентов
- Около 20 процентов
- Около 90 процентов
- Около 49 процентов
- Почему быстрое кэширование удешевляет контекстный поиск?
- Он кэширует документ один раз и повторно использует его для контекстного вызова каждого фрагмента.
- Он пропускает этап встраивания
- Это устраняет необходимость в BM25.
- Это укорачивает каждый кусок
- Почему сохранение BM25 в разработке особенно полезно с добавлением контекста?
- BM25 понимает синонимы лучше, чем встраивания
- Контексты часто добавляют точные идентификаторы, такие как имена, даты или коды, которые точно соответствуют поиску по ключевым словам.
- BM25 не требует индекса
- BM25 заменяет перерейтинг
- Когда контекстный поиск может оказаться ненужным?
- Когда документы на английском языке
- При использовании реранкера
- Когда база знаний достаточно мала, чтобы поместиться в контекстном окне модели.
- Когда чанки длиннее 50 токенов
- Где возникают основные дополнительные затраты на контекстный поиск?
- Во время запроса на каждый вопрос пользователя
- Только в реранкере
- В браузере пользователя
- Во время индексации, с одним вызовом модели на фрагмент