رینکنگ ماڈلز کوئز

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

1. ایک عام دو مراحل کی بازیافت پائپ لائن میں، دوبارہ رینکرز کا کام کیا ہے؟
   • مطابقت کے لیے امیدواروں کی شارٹ لسٹ کو دوبارہ اسکور کرنے اور دوبارہ ترتیب دینے کے لیے
   • لاکھوں دستاویزات سے ابتدائی امیدواروں کو نکالنے کے لیے
   • ڈیٹا بیس میں دستاویزات کو ذخیرہ کرنے کے لیے
   • قدرتی زبان کا حتمی جواب تیار کرنے کے لیے
2. Besides MS MARCO, on which dataset did Nogueira and Cho report strong results for their BERT passage reranker?
   • امیج نیٹ
   • TREC-CAR
   • LibriSpeech
   • SQuAD only
3. لاکھوں دستاویزات کو براہ راست تلاش کرنے کے لیے کراس انکوڈر ری رینکر کا استعمال کیوں نہیں کیا جا سکتا؟
   • یہ صرف تصاویر پر کام کرتا ہے۔
   • یہ متن نہیں پڑھ سکتا
   • اس کے اسکورز کو ہر استفسار دستاویز کے جوڑے کے لیے تازہ شمار کیا جانا چاہیے، جو کہ پیمانے پر بہت سست ہے۔
   • اس کے لیے کسی حساب کتاب کی ضرورت نہیں ہے۔
4. کراس انکوڈر پر بائی انکوڈر کا بنیادی فائدہ کیا ہے؟
   • یہ ٹھیک دانے والی مطابقت میں زیادہ درست ہے۔
   • یہ ہمیشہ نتائج کو مکمل طور پر دوبارہ ترتیب دیتا ہے۔
   • اسے کسی تربیتی ڈیٹا کی ضرورت نہیں ہے۔
   • اس کی دستاویز ایمبیڈنگس کو پہلے سے کمپیوٹنگ کیا جا سکتا ہے، جس سے بازیافت تیز اور قابل توسیع ہے۔
5. How can a reranker affect context quality in a retrieval-augmented generation pipeline?
   • It can move more relevant retrieved candidates higher in the context shortlist, but does not guarantee correctness
   • It ensures every retrieved passage is factually correct
   • It creates missing documents in the corpus
   • It removes the need to evaluate retrieval
6. In listwise reranking, what does the model consider together?
   • Only one document with no query
   • A query and a set of candidate documents when deciding their ordering
   • Each document embedding before any candidate retrieval
   • A single relevance label for the full training corpus
7. What should a team verify before interpreting reranker scores as probabilities?
   • Whether every score is above zero
   • Whether the first-stage retriever was removed
   • Whether the scores have been calibrated and evaluated for that use
   • Whether the model has more parameters than the retriever
8. What limitation does a reranker inherit from the first-stage retrieval system?
   • It always returns a calibrated probability
   • It removes the need for retrieval
   • It guarantees a correct generated answer
   • It cannot promote a relevant document that was never included in the candidate set