引导式测验 · 中等 等级
混合搜索测验
回顾词汇和密集检索、等级融合、神经稀疏方法以及检索质量为何因领域而异。在目标查询上测试每个。
问题 1 的 8
混合搜索通常结合哪两种检索方法？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 混合搜索通常结合哪两种检索方法？
- 稀疏关键字搜索（例如 BM25）和密集向量搜索
- 两种不同的大型语言模型对答案进行投票
- 仅 SQL 查询和全文索引
- 图片搜索和音频搜索
- 为什么通常使用倒数排名融合 (RRF) 来合并结果？
- 它为每个查询训练一个新的神经网络
- 它按排名位置而不是原始分数组合文档，避免比例不匹配
- 它删除两个列表中出现的任何文档
- 它只保留每个检索器的单个顶部结果
- 哪种情况最有利于混合搜索的稀疏（关键字）组件？
- 查找用不同单词解释查询的文档
- 理解句子的情感语气
- 匹配必须按字面意思出现的确切零件号或错误代码
- 将查询翻译成另一种语言
- 单独使用密集向量搜索的主要弱点是什么？
- 它无法理解同义词或释义
- 它仅适用于图像
- 它根本不需要嵌入
- 它可能会错过确切的稀有标记，例如特定代码或姓氏
- 像 SPLADE 这样的学习稀疏模型有什么作用？
- 它使用神经网络生成可解释的术语权重，混合稀疏和密集的想法
- 它从搜索中删除所有关键字匹配
- 它只将图像存储为矢量
- 它取代了任何检索的需要
- What can combining lexical and dense retrieval provide to a RAG system?
- A guarantee that every generated statement is true
- Potentially more varied candidate evidence, subject to evaluation of retrieval and answer quality
- A replacement for grounding sources
- An automatic legal review of generated answers
- What tradeoff did BEIR report for reranking and late-interaction methods on average?
- They always ran faster and used less compute than BM25
- They made retrieval independent of the corpus
- They often achieved stronger zero-shot performance but at higher computational cost
- They guaranteed a correct generated answer
- What did the BEIR benchmark conclude about BM25 in zero-shot retrieval?
- It always beats every neural retriever
- It cannot retrieve exact terms
- It is a dense-vector model
- It remains a robust baseline across diverse datasets