Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Xếp hạng lại bài kiểm tra mô hình

Kiểm tra vai trò của bộ truy xuất và bộ sắp xếp lại, so sánh bộ mã hóa chéo với bộ mã hóa hai lớp và kiểm tra thứ hạng theo danh sách của các bộ ứng cử viên.

Đường dẫn hướng dẫn liên quanSắp xếp lại mô hình
Câu hỏi 1 của 8

Trong quy trình truy xuất hai giai đoạn điển hình, công việc của người sắp xếp lại là gì?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. Trong quy trình truy xuất hai giai đoạn điển hình, công việc của người sắp xếp lại là gì?
    • Để chấm điểm lại và sắp xếp lại danh sách rút gọn các ứng cử viên cho phù hợp
    • Để kéo các ứng cử viên ban đầu từ hàng triệu tài liệu
    • Để lưu trữ tài liệu trong cơ sở dữ liệu
    • Để tạo ra câu trả lời bằng ngôn ngữ tự nhiên cuối cùng
  2. Besides MS MARCO, on which dataset did Nogueira and Cho report strong results for their BERT passage reranker?
    • ImageNet
    • TREC-CAR
    • LibriSpeech
    • SQuAD only
  3. Tại sao không thể sử dụng trình sắp xếp lại bộ mã hóa chéo để tìm kiếm trực tiếp hàng triệu tài liệu?
    • Nó chỉ hoạt động trên hình ảnh
    • Nó không thể đọc văn bản
    • Điểm của nó phải được tính mới cho từng cặp tài liệu truy vấn, tốc độ này quá chậm về quy mô
    • Nó không yêu cầu tính toán gì cả
  4. Ưu điểm chính của bộ mã hóa kép so với bộ mã hóa chéo là gì?
    • Nó chính xác hơn ở mức độ liên quan chi tiết
    • Nó luôn sắp xếp lại kết quả một cách hoàn hảo
    • Nó không cần dữ liệu đào tạo
    • Việc nhúng tài liệu của nó có thể được tính toán trước, giúp việc truy xuất nhanh chóng và có thể mở rộng
  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