Bài kiểm tra mức độ liên quan cận biên tối đa

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

1. Vấn đề chính MMR được thiết kế để giải quyết là gì?
   • Độ trễ truy vấn chậm trong cơ sở dữ liệu lớn
   • Sai chính tả trong truy vấn của người dùng
   • Kết quả dư thừa, gần như trùng lặp từ xếp hạng mức độ liên quan thuần túy
   • Thiếu dữ liệu đào tạo để nhúng
2. Trong công thức MMR, giá trị lambda gần bằng 1 nhấn mạnh điều gì?
   • Mức độ liên quan thuần túy đến truy vấn
   • Sự đa dạng tối đa giữa các kết quả
   • Trọng số bình đẳng của tất cả các ứng cử viên
   • Lựa chọn ngẫu nhiên
3. MMR chọn kết quả của nó như thế nào?
   • Tất cả cùng một lúc bằng cách sắp xếp một điểm duy nhất
   • Ngẫu nhiên với một hạt giống cố định
   • Theo thứ tự bảng chữ cái của tài liệu
   • Tham lam, lần lượt so sánh với những món đồ đã được chọn
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. Tại sao MMR đặc biệt hữu ích trong thế hệ tăng cường truy xuất (RAG)?
   • Nó cung cấp các khối bằng chứng bổ sung, không dư thừa
   • Nó nén trọng lượng của mô hình
   • Nó tự động tinh chỉnh mô hình ngôn ngữ
   • Nó mã hóa các tài liệu được lấy
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