แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

การปรับแต่งโมเดลการฝังอย่างละเอียดสำหรับแบบทดสอบการดึงข้อมูล

ทดสอบคู่ที่เป็นบวกและฮาร์ดเนกาทีฟ การสูญเสียเชิงเปรียบเทียบสำหรับการฝึกแบบฝัง และวิธีการวัดและหลีกเลี่ยงผลลบลวงในการดึงข้อมูล RAG

คำถาม 1 ของ 8

อะไรคือสิ่งที่เป็นลบอย่างหนักในการฝังการปรับแต่งแบบละเอียด?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. อะไรคือสิ่งที่เป็นลบอย่างหนักในการฝังการปรับแต่งแบบละเอียด?
    • ข้อความที่ดูเกี่ยวข้องกับคำถามแต่ไม่ได้ตอบคำถาม
    • ข้อความจากภาษาอื่น
    • ข้อความใด ๆ ที่ได้รับการสุ่มเลือก
    • คำถามที่ไม่มีคำตอบ
  2. เหตุใดฟิล์มเนกาทีฟแบบแข็งจึงมีประโยชน์มากกว่าฟิล์มเนกาทีฟแบบง่าย
    • พวกมันถูกกว่าในการจัดเก็บ
    • โมเดลพื้นฐานแยกคำเชิงลบที่ง่ายอยู่แล้ว ดังนั้นโมเดลที่ยากจะสอนความแตกต่างใหม่ๆ
    • พวกเขาขจัดความจำเป็นในการคิดเชิงบวก
    • พวกเขาลดระยะเวลาการฝึกอบรมลงเหลือศูนย์
  3. ค่าลบลวงในบริบทนี้คืออะไร
    • คู่เชิงบวกที่มีการพิมพ์ผิด
    • ค่าลบที่ขุดได้ซึ่งตอบคำถามได้จริง
    • แบบสอบถามที่ไม่ดึงข้อมูลอะไรเลย
    • เวกเตอร์ที่มีศูนย์ทั้งหมด
  4. การสูญเสียใดที่มักใช้สำหรับการฝึกโมเดลการฝังในคู่ข้อความค้นหา
    • ข้อผิดพลาดกำลังสองเฉลี่ยในการนับโทเค็น
    • การสูญเสียเชิงเปรียบเทียบ เช่น InfoNCE (MultipleNegativesRankingLoss)
    • ข้ามเอนโทรปีในการทำนายคำถัดไปเท่านั้น
    • การสูญเสียบานพับบนพิกเซลของภาพ
  5. หลังจากเปลี่ยนมาใช้โมเดลการฝังที่ได้รับการปรับแต่งใหม่แล้ว คุณต้องทำอะไรกับดัชนีเอกสารของคุณ
    • ไม่มีอะไร; เวกเตอร์เก่ายังคงใช้งานได้
    • ฝังคอลเลกชันทั้งหมดอีกครั้งด้วยโมเดลใหม่
    • ลบเอกสารครึ่งหนึ่ง
    • แปลงเวกเตอร์เป็นข้อความ
  6. ทางเลือกใดที่อาจให้ผลกำไรมากกว่าการปรับแต่งแบบละเอียดโดยใช้ความพยายามน้อยกว่า
    • การลบข้อมูลเมตาทั้งหมด
    • ปรับปรุงการแบ่งส่วน เพิ่มการค้นหาแบบไฮบริด BM25 หรือการจัดอันดับใหม่
    • การใช้หน้าต่างบริบทที่เล็กลง
    • กำลังลดมิติการฝังลงเหลือ 2
  7. คู่มือแนะนำเมตริกใดในการประเมินการดึงข้อมูล
    • BLEU และ ROUGE
    • Recall@k และ nDCG@10
    • Perplexity เท่านั้น
    • การสูญเสียการฝึกเท่านั้น
  8. เหตุใดคำถามสังเคราะห์ที่สร้างจากเอกสารจึงถูกกรอง
    • พวกเขามักจะใช้ภาษาที่ผิดเสมอ
    • พวกเขามักจะคัดลอกข้อความในเอกสาร ทำให้งานง่ายเกินไป
    • ไม่สามารถฝังได้
    • พวกเขาละเมิดฟังก์ชั่นการสูญเสีย