Тест на гибридный поиск

Ответы и пояснения появляются по мере прохождения теста.

1. Какие два подхода к поиску обычно сочетаются в гибридном поиске?
   • Поиск по разреженным ключевым словам (например, BM25) и поиск по плотным векторам
   • Две разные модели большого языка, голосующие за ответы
   • Только SQL-запросы и полнотекстовые индексы.
   • Поиск изображений и поиск аудио
2. Почему для объединения результатов обычно используется взаимное слияние рангов (RRF)?
   • Он обучает новую нейронную сеть для каждого запроса.
   • Он объединяет документы по рангу вместо исходных оценок, избегая несоответствия масштабов.
   • Он удаляет любой документ, который появляется в обоих списках.
   • Он сохраняет только один лучший результат от каждого ретривера.
3. Какой сценарий больше всего благоприятствует разреженному (ключевому слову) компоненту гибридного поиска?
   • Поиск документов, которые перефразируют запрос разными словами
   • Понимание эмоционального тона предложения
   • Соответствие точному номеру детали или коду ошибки, который должен отображаться буквально.
   • Перевод запроса на другой язык
4. В чем основной недостаток использования только плотного векторного поиска?
   • Он не может понимать синонимы или перефразы.
   • Работает только с изображениями
   • Он вообще не требует никаких вложений
   • Он может пропускать точные редкие токены, такие как определенные коды или фамилии.
5. Что делает изученная разреженная модель, такая как SPLADE?
   • Он создает интерпретируемые веса терминов с помощью нейронной сети, смешивая разреженные и плотные идеи.
   • Он удаляет все соответствия ключевых слов из поиска.
   • Он хранит изображения только в векторном формате.
   • Это заменяет необходимость любого поиска
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