Вікторина, пов’язана з посібником · Середній Рівень

Вікторина «Соснова шишка».

Охоплює векторний пошук і пошук документів, показники подібності, безсерверні індекси та чому отриманий контекст все ще потребує оцінки.

Пов'язані напрямні шляхишишка
Питання 1 з 8

Що переважно зберігає та шукає Pinecone?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що переважно зберігає та шукає Pinecone?
    • Векторні вбудовування, які представляють значення даних
    • Необроблені SQL-таблиці рядків і стовпців
    • Зібрані ваги моделі машинного навчання
    • Зашифровані паролі користувачів
  2. Чому Pinecone зазвичай поєднується з великими мовними моделями?
    • Він навчає мовну модель з нуля
    • Він забезпечує зовнішню пам’ять, щоб модель могла отримувати релевантні факти (RAG)
    • Він стискає модель для запуску на телефонах
    • Він перекладає вихідні дані моделі іншими мовами
  3. How does Pinecone describe its serverless index algorithms?
    • It uses HNSW for every serverless index
    • Users must manually select one universal algorithm
    • It selects proprietary algorithms such as Ananas, PQFS, or IVF with PQFS by slab size
    • It searches only by exact string match
  4. What architecture change does Pinecone highlight in its serverless database?
    • Every vector must be stored in one local in-memory graph
    • Each user must operate a separate physical database
    • Queries are answered without reading or scoring vectors
    • Storage and compute are decoupled so relevant index portions can be loaded for a query
  5. Як зазвичай вимірюється подібність між двома векторами?
    • За косинусною відстанню або скалярним добутком
    • За розміром файлу в мегабайтах
    • За датою їх створення
    • Підраховуючи спільні точні ключові слова
  6. Для якого завдання добре підходить Pinecone?
    • Зберігання та рендеринг 3D-графіки відеоігор
    • Пошук документів, схожих за змістом на запит
    • Запуск формул електронної таблиці
    • Компіляція вихідного коду
  7. What is a key step before using retrieved Pinecone matches in a generated answer?
    • Assume the nearest vector is always a correct source
    • Ignore metadata and access controls
    • Evaluate whether the retrieved records are relevant and current for the query
    • Treat retrieval as proof the model’s response is correct
  8. What kinds of searchable data do current Pinecone serverless indexes support?
    • Only image files with no metadata
    • Only one fixed embedding model
    • Only SQL tables with no text fields
    • Depending on schema, dense vectors, sparse vectors, and full-text-search fields