Maksimum Marjinal Uygunluk Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. MMR'ın çözmek için tasarlandığı temel sorun nedir?
   • Büyük veritabanlarında yavaş sorgu gecikmesi
   • Kullanıcı sorgularında yanlış yazım
   • Saf alaka sıralamasından gereksiz, neredeyse yinelenen sonuçlar
   • Yerleştirmeler için eğitim verilerinin eksikliği
2. MMR formülünde 1'e yakın lambda değeri neyi vurguluyor?
   • Sorguyla saf alaka
   • Sonuçlar arasında maksimum çeşitlilik
   • Tüm adayların eşit ağırlıkta olması
   • Rastgele seçim
3. MMR sonuçlarını nasıl seçiyor?
   • Tek bir puanı sıralayarak hepsi bir arada
   • Sabit bir tohumla rastgele
   • Belgelerin alfabetik sırasına göre
   • Açgözlülükle, teker teker, önceden seçilmiş öğelerle karşılaştırarak
4. How can an embedding-based MMR implementation measure query relevance and document redundancy?
   • Using only a document's filename length
   • Using a similarity measure such as cosine, without MMR requiring that one measure universally
   • Using a mandatory audio-transcription score for all text
   • Using no relevance or inter-document comparison at all
5. MMR neden özellikle erişimle artırılmış nesilde (RAG) faydalıdır?
   • Tamamlayıcı, gereksiz kanıt yığınları sağlar
   • Modelin ağırlıklarını sıkıştırır
   • Dil modeline otomatik olarak ince ayar yapar
   • Alınan belgeleri şifreler
6. If MMR caches each candidate's maximum redundancy and updates it against each new selection, roughly how many similarities are needed for k picks from n candidates?
   • Always constant time independent of k and n
   • Exactly n factorial for every implementation
   • About k times n, ignoring vector dimension and initial setup
   • No document comparisons after the first query score
7. With lambda equal to 0.5, relevance 0.8, and maximum selected-item similarity 0.9, what is a candidate's MMR scoring term?
   • 0.85, from averaging the two similarities
   • Minus 0.05, from 0.5 times 0.8 minus 0.5 times 0.9
   • 0.72, from multiplying relevance and redundancy
   • 1.7, from adding the two similarities
8. Can an MMR reranker select a relevant document that the upstream retrieval candidate pool omitted?
   • Yes; diversity scoring invents missing source documents
   • Yes; a lower lambda automatically searches the whole corpus
   • Yes; reranking changes the document's original publication date
   • No; it chooses among the supplied candidates unless the upstream pool is expanded