زیادہ سے زیادہ مارجنل ریلیونس کوئز

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

1. بنیادی مسئلہ کیا ہے جسے MMR حل کرنے کے لیے ڈیزائن کیا گیا ہے؟
   • بڑے ڈیٹا بیس میں سست استفسار میں تاخیر
   • صارف کے سوالات میں غلط املا
   • خالص مطابقت کی درجہ بندی سے بے کار، قریب نقلی نتائج
   • ایمبیڈنگز کے لیے تربیتی ڈیٹا کی کمی
2. MMR فارمولے میں، 1 کے قریب لیمبڈا ویلیو کس چیز پر زور دیتی ہے؟
   • استفسار سے خالص مطابقت
   • نتائج کے درمیان زیادہ سے زیادہ تنوع
   • تمام امیدواروں کا یکساں وزن
   • بے ترتیب انتخاب
3. MMR اپنے نتائج کا انتخاب کیسے کرتا ہے؟
   • ایک ہی اسکور کو چھانٹ کر سب ایک ساتھ
   • تصادفی طور پر ایک مقررہ بیج کے ساتھ
   • دستاویزات کے حروف تہجی کی ترتیب کے مطابق
   • لالچ سے، ایک وقت میں ایک، پہلے سے منتخب کردہ اشیاء کے مقابلے
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 خاص طور پر ریٹریول-آگمینٹڈ جنریشن (RAG) میں کیوں مفید ہے؟
   • یہ تکمیلی، غیر فالتو ثبوت کے ٹکڑوں کی فراہمی کرتا ہے۔
   • یہ ماڈل کے وزن کو دباتا ہے۔
   • یہ زبان کے ماڈل کو خود بخود ٹھیک کرتا ہے۔
   • یہ بازیافت شدہ دستاویزات کو خفیہ کرتا ہے۔
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