ہائبرڈ سرچ کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. ہائبرڈ تلاش عام طور پر کون سے دو بازیافت کے طریقوں کو یکجا کرتی ہے؟
   • ویرل مطلوبہ الفاظ کی تلاش (مثال کے طور پر، BM25) اور گھنے ویکٹر کی تلاش
   • دو مختلف بڑے زبان کے ماڈل جوابات پر ووٹ دے رہے ہیں۔
   • ایس کیو ایل کے سوالات اور صرف مکمل متن کے اشاریہ جات
   • تصویری تلاش اور آڈیو تلاش
2. Reciprocal Rank Fusion (RRF) عام طور پر نتائج کو ضم کرنے کے لیے کیوں استعمال کیا جاتا ہے؟
   • یہ ہر سوال کے لیے ایک نئے نیورل نیٹ ورک کو تربیت دیتا ہے۔
   • یہ دستاویزات کو خام اسکور کی بجائے رینک پوزیشن کے لحاظ سے یکجا کرتا ہے، پیمانے کی مماثلت سے گریز کرتا ہے۔
   • یہ کسی بھی دستاویز کو حذف کرتا ہے جو دونوں فہرستوں میں ظاہر ہوتا ہے۔
   • یہ ہر بازیافت کرنے والے سے صرف ایک ہی اعلی نتیجہ رکھتا ہے۔
3. کون سا منظر نامہ ہائبرڈ تلاش کے اسپارس (کلیدی الفاظ) جز کو سب سے زیادہ پسند کرتا ہے؟
   • ایسی دستاویزات تلاش کرنا جو مختلف الفاظ کے ساتھ استفسار کو بیان کرتی ہیں۔
   • کسی جملے کے جذباتی لہجے کو سمجھنا
   • قطعی حصہ نمبر یا غلطی کے کوڈ سے مماثل ہونا جو لفظی طور پر ظاہر ہونا چاہیے۔
   • کسی سوال کا دوسری زبان میں ترجمہ کرنا
4. اکیلے گھنے ویکٹر تلاش کے استعمال کی بنیادی کمزوری کیا ہے؟
   • یہ مترادفات یا پیرا فریسز کو نہیں سمجھ سکتا
   • یہ صرف تصاویر پر کام کرتا ہے۔
   • اس میں سرایت کرنے کی بالکل بھی ضرورت نہیں ہے۔
   • یہ مخصوص کوڈز یا کنیتوں جیسے نایاب ٹوکن سے محروم ہو سکتا ہے۔
5. SPLADE جیسا سیکھا ہوا اسپارس ماڈل کیا کرتا ہے؟
   • یہ اعصابی نیٹ ورک کا استعمال کرتے ہوئے قابل تشریح اصطلاحی وزن پیدا کرتا ہے، ویرل اور گھنے خیالات کو ملا کر
   • یہ تلاش سے تمام مطلوبہ الفاظ کی مماثلت کو ہٹا دیتا ہے۔
   • یہ صرف تصاویر کو ویکٹر کے طور پر اسٹور کرتا ہے۔
   • یہ کسی بھی بازیافت کی ضرورت کی جگہ لے لیتا ہے۔
6. 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
7. 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
8. 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