Вікторина, пов’язана з посібником · Середній Рівень
Вікторина з пошуку гібридів
Ознайомтеся з лексичним і щільним пошуком, злиттям рангів, нейронними розрідженими методами та чому якість пошуку залежить від домену. Перевірте кожен на цільових запитах.
Питання 1 з 8
Які два підходи до пошуку зазвичай поєднує гібридний пошук?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- Які два підходи до пошуку зазвичай поєднує гібридний пошук?
- Розріджений пошук за ключовими словами (наприклад, BM25) і щільний векторний пошук
- Дві різні великі мовні моделі, що голосують за відповіді
- Лише SQL-запити та повнотекстові індекси
- Пошук зображень і аудіо
- Чому для об’єднання результатів зазвичай використовується взаємне злиття рангів (RRF)?
- Він навчає нову нейронну мережу для кожного запиту
- Він об’єднує документи за рангом, а не за необробленими оцінками, уникаючи невідповідності шкали
- Він видаляє будь-який документ, який відображається в обох списках
- Він зберігає лише один найкращий результат від кожного ретривера
- Який сценарій найбільше надає перевагу розрідженому (ключовому) компоненту гібридного пошуку?
- Пошук документів, які перефразують запит різними словами
- Розуміння емоційної тональності речення
- Збігається з точним номером деталі або кодом помилки, який має відображатися буквально
- Переклад запиту іншою мовою
- У чому головна слабкість використання лише щільного векторного пошуку?
- Він не може зрозуміти синонімів чи парафразів
- Він працює лише на зображеннях
- Він взагалі не потребує вбудовування
- Він може пропускати точні рідкісні маркери, як-от конкретні коди чи прізвища
- Що робить вивчена розріджена модель, така як SPLADE?
- Він створює інтерпретовані ваги термінів за допомогою нейронної мережі, поєднуючи розріджені та щільні ідеї
- Він видаляє всі відповідні ключові слова з пошуку
- Він зберігає лише зображення як вектори
- Це замінює необхідність будь-якого пошуку
- 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