Викторина, связанная с руководством · Средний Уровень
ЛамаИндекс викторины
Узнайте, как LlamaIndex анализирует и индексирует данные, извлекает соответствующие узлы, синтезирует ответы и оценивает качество извлечения.
Вопрос 1 из 8
Для чего в первую очередь предназначен LlamaIndex?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Для чего в первую очередь предназначен LlamaIndex?
- Подключите LLM к своим данным для генерации с расширенным поиском
- Обучение новым моделям фундамента
- Создание изображений и видео
- Управляйте кластерами графических процессоров в облаке
- Как изначально назывался LlamaIndex при его запуске?
- Цепочка данных
- Индекс GPT
- ВекторБаза
- ЛамаХаб
- Почему необходим поиск, а не просто вставка всего в подсказку?
- LLM не могут читать текстовые файлы
- Хранение вложений запрещено.
- Модели имеют ограниченные контекстные окна и не знают личных данных.
- Извлечение ускоряет обучение моделей
- Что создается из каждого фрагмента документа в конвейере LlamaIndex для обеспечения семантического поиска?
- Сжатый ZIP-файл
- Строка таблицы SQL
- Скриншот
- Векторное встраивание
- Для чего создан LlamaParse?
- Анализ сложных PDF-файлов, таблиц и документов для обработки
- Разбор исходного кода в синтаксические деревья
- Разбор аудио в расшифровки
- Парсинг сетевых пакетов
- Where do LlamaIndex node postprocessors run in the documented query pipeline?
- Before documents are parsed or indexed
- After retrieval and before response synthesis
- Only after a final answer is returned
- Between model pretraining and tokenizer training
- What does LlamaIndex’s SubQuestionQueryEngine do with a complex multi-source question?
- Converts every document into a single unsearchable string
- Runs only a fixed keyword lookup with no query planning
- Creates subquestions for relevant data sources and synthesizes the intermediate responses
- Fine-tunes the language model on the documents
- In a LlamaIndex query pipeline, what is the response synthesizer responsible for?
- Choosing the original PDF files before ingestion
- Training the embedding model from scratch
- Replacing the retriever’s index with a file system
- Combining the query and retrieved Nodes to produce a response