Bài kiểm tra có liên kết hướng dẫn · Cứng Cấp độ

Bài kiểm tra về khả năng tự RAG và phản xạ

Xem lại khả năng truy xuất thích ứng của Self-RAG, mã thông báo phản ánh, đào tạo phê bình có giám sát, tính điểm phân đoạn và giới hạn của các đánh giá hỗ trợ do mô hình tạo ra.

Đường dẫn hướng dẫn liên quanTự RAG và truy xuất phản chiếu
Câu hỏi 1 của 8

Compared with a baseline that retrieves for every input, what adaptive decision does Self-RAG learn?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. Compared with a baseline that retrieves for every input, what adaptive decision does Self-RAG learn?
    • Which operating system to install for every query
    • Whether retrieval is needed, including decisions as generation progresses
    • How to permanently remove all document sources
    • How to prove every generated statement without inspecting evidence
  2. 'Mã thông báo phản ánh' trong Self-RAG là gì?
    • Khóa mã hóa cho tài liệu
    • Thông tin đăng nhập của người dùng
    • Dấu thời gian trên các tập tin được truy xuất
    • Mã thông báo kiểm soát đặc biệt mà mô hình phát ra để đánh giá mức độ liên quan, hỗ trợ và tính hữu ích
  3. What does Self-RAG's IsSupported reflection token predict?
    • Whether the model's hardware has enough disk space
    • Whether a support ticket has been paid
    • Whether a generated segment is supported by the retrieved evidence
    • Whether every source claim is independently proven true
  4. Mô hình Self-RAG thường được đào tạo như thế nào để tạo ra mã thông báo phản ánh?
    • Học có giám sát trên dữ liệu được gắn nhãn bằng mã thông báo phản chiếu, thường được chắt lọc từ mô hình mạnh hơn
    • Phân cụm hoàn toàn không được giám sát
    • Bằng các quy tắc mã hóa thủ công mà không cần học
    • Chỉ với việc học tăng cường từ những cú nhấp chuột của con người
  5. Việc đưa ra lời phê bình 'Có liên quan' cho mỗi đoạn văn mang lại lợi ích gì?
    • Nó tăng tốc độ kết nối mạng
    • Nó nén kho tài liệu
    • Nó thay đổi mã thông báo của mô hình
    • Nó lọc ra các đoạn được truy xuất không thực sự giúp ích cho truy vấn
  6. How can reflection-token scores affect Self-RAG inference without a new training run?
    • Every query must update all model parameters
    • Weighted critique scores can be combined with generation likelihood during segment-level candidate search
    • The critique scores must replace all source text with random tokens
    • Changing a score weight guarantees all factual errors disappear
  7. What should an evaluator infer from a high Self-RAG IsSupported probability alone?
    • The model predicts support, which still needs checking against the actual evidence
    • The answer has been independently verified as true
    • No source passage needs to be read
    • Every external document is guaranteed accurate
  8. At what granularity can Self-RAG adapt retrieval while developing a response?
    • Only when the operating system restarts
    • Only after the final answer has been published
    • As generated segments progress, rather than only one fixed retrieval at the beginning
    • Only by changing the tokenizer's vocabulary permanently