แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการค้นหาแบบไฮบริด
ตรวจสอบการสืบค้นคำศัพท์และการสืบค้นแบบหนาแน่น การจัดอันดับฟิวชั่น วิธีการกระจัดกระจายของระบบประสาท และเหตุใดคุณภาพการสืบค้นจึงแตกต่างกันไปตามโดเมน ทดสอบแต่ละรายการกับข้อความค้นหาเป้าหมาย
คำถาม 1 ของ 8
โดยทั่วไปแล้วการค้นหาแบบไฮบริดจะรวมวิธีการดึงข้อมูลสองวิธีใดบ้าง
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- โดยทั่วไปแล้วการค้นหาแบบไฮบริดจะรวมวิธีการดึงข้อมูลสองวิธีใดบ้าง
- การค้นหาคำหลักแบบกระจัดกระจาย (เช่น BM25) และการค้นหาเวกเตอร์แบบหนาแน่น
- โมเดลภาษาขนาดใหญ่สองแบบที่แตกต่างกันโหวตคำตอบ
- แบบสอบถาม SQL และดัชนีข้อความแบบเต็มเท่านั้น
- ค้นหารูปภาพและค้นหาเสียง
- เหตุใด Reciprocal Rank Fusion (RRF) จึงมักใช้เพื่อรวมผลลัพธ์
- โดยจะฝึกโครงข่ายประสาทเทียมใหม่สำหรับการค้นหาแต่ละครั้ง
- โดยจะรวมเอกสารตามตำแหน่งอันดับแทนคะแนนดิบ เพื่อหลีกเลี่ยงไม่ให้มาตราส่วนไม่ตรงกัน
- มันจะลบเอกสารใด ๆ ที่ปรากฏในทั้งสองรายการ
- โดยจะเก็บผลลัพธ์อันดับต้นๆ ไว้เพียงรายการเดียวจากรีทรีฟเวอร์แต่ละตัว
- สถานการณ์ใดที่สนับสนุนองค์ประกอบกระจัดกระจาย (คำหลัก) ของการค้นหาแบบไฮบริดมากที่สุด
- การค้นหาเอกสารที่ถอดความแบบสอบถามด้วยคำที่ต่างกัน
- การทำความเข้าใจน้ำเสียงของประโยค
- จับคู่หมายเลขชิ้นส่วนหรือรหัสข้อผิดพลาดที่ต้องปรากฏตามตัวอักษร
- การแปลคำถามเป็นภาษาอื่น
- จุดอ่อนหลักของการใช้การค้นหาเวกเตอร์หนาแน่นเพียงอย่างเดียวคืออะไร
- ไม่สามารถเข้าใจคำพ้องความหมายหรือถอดความได้
- มันใช้งานได้กับภาพเท่านั้น
- ไม่จำเป็นต้องมีการฝังเลย
- อาจพลาดโทเค็นที่หายาก เช่น รหัสหรือนามสกุลเฉพาะ
- โมเดลกระจัดกระจายที่เรียนรู้อย่าง SPLADE ทำหน้าที่อะไร
- สร้างน้ำหนักคำศัพท์ที่สามารถตีความได้โดยใช้โครงข่ายประสาทเทียม ผสมผสานแนวคิดที่กระจัดกระจายและหนาแน่นเข้าด้วยกัน
- จะลบการจับคู่คำหลักทั้งหมดออกจากการค้นหา
- มันเก็บภาพเป็นเวกเตอร์เท่านั้น
- มันเข้ามาแทนที่ความจำเป็นในการเรียกคืนใดๆ
- 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
- 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
- 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