แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
การปรับแต่งโมเดลการฝังอย่างละเอียดสำหรับแบบทดสอบการดึงข้อมูล
ทดสอบคู่ที่เป็นบวกและฮาร์ดเนกาทีฟ การสูญเสียเชิงเปรียบเทียบสำหรับการฝึกแบบฝัง และวิธีการวัดและหลีกเลี่ยงผลลบลวงในการดึงข้อมูล RAG
คำถาม 1 ของ 8
อะไรคือสิ่งที่เป็นลบอย่างหนักในการฝังการปรับแต่งแบบละเอียด?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- อะไรคือสิ่งที่เป็นลบอย่างหนักในการฝังการปรับแต่งแบบละเอียด?
- ข้อความที่ดูเกี่ยวข้องกับคำถามแต่ไม่ได้ตอบคำถาม
- ข้อความจากภาษาอื่น
- ข้อความใด ๆ ที่ได้รับการสุ่มเลือก
- คำถามที่ไม่มีคำตอบ
- เหตุใดฟิล์มเนกาทีฟแบบแข็งจึงมีประโยชน์มากกว่าฟิล์มเนกาทีฟแบบง่าย
- พวกมันถูกกว่าในการจัดเก็บ
- โมเดลพื้นฐานแยกคำเชิงลบที่ง่ายอยู่แล้ว ดังนั้นโมเดลที่ยากจะสอนความแตกต่างใหม่ๆ
- พวกเขาขจัดความจำเป็นในการคิดเชิงบวก
- พวกเขาลดระยะเวลาการฝึกอบรมลงเหลือศูนย์
- ค่าลบลวงในบริบทนี้คืออะไร
- คู่เชิงบวกที่มีการพิมพ์ผิด
- ค่าลบที่ขุดได้ซึ่งตอบคำถามได้จริง
- แบบสอบถามที่ไม่ดึงข้อมูลอะไรเลย
- เวกเตอร์ที่มีศูนย์ทั้งหมด
- การสูญเสียใดที่มักใช้สำหรับการฝึกโมเดลการฝังในคู่ข้อความค้นหา
- ข้อผิดพลาดกำลังสองเฉลี่ยในการนับโทเค็น
- การสูญเสียเชิงเปรียบเทียบ เช่น InfoNCE (MultipleNegativesRankingLoss)
- ข้ามเอนโทรปีในการทำนายคำถัดไปเท่านั้น
- การสูญเสียบานพับบนพิกเซลของภาพ
- หลังจากเปลี่ยนมาใช้โมเดลการฝังที่ได้รับการปรับแต่งใหม่แล้ว คุณต้องทำอะไรกับดัชนีเอกสารของคุณ
- ไม่มีอะไร; เวกเตอร์เก่ายังคงใช้งานได้
- ฝังคอลเลกชันทั้งหมดอีกครั้งด้วยโมเดลใหม่
- ลบเอกสารครึ่งหนึ่ง
- แปลงเวกเตอร์เป็นข้อความ
- ทางเลือกใดที่อาจให้ผลกำไรมากกว่าการปรับแต่งแบบละเอียดโดยใช้ความพยายามน้อยกว่า
- การลบข้อมูลเมตาทั้งหมด
- ปรับปรุงการแบ่งส่วน เพิ่มการค้นหาแบบไฮบริด BM25 หรือการจัดอันดับใหม่
- การใช้หน้าต่างบริบทที่เล็กลง
- กำลังลดมิติการฝังลงเหลือ 2
- คู่มือแนะนำเมตริกใดในการประเมินการดึงข้อมูล
- BLEU และ ROUGE
- Recall@k และ nDCG@10
- Perplexity เท่านั้น
- การสูญเสียการฝึกเท่านั้น
- เหตุใดคำถามสังเคราะห์ที่สร้างจากเอกสารจึงถูกกรอง
- พวกเขามักจะใช้ภาษาที่ผิดเสมอ
- พวกเขามักจะคัดลอกข้อความในเอกสาร ทำให้งานง่ายเกินไป
- ไม่สามารถฝังได้
- พวกเขาละเมิดฟังก์ชั่นการสูญเสีย