引导式测验 · 硬等级

拉格测验

通过文档准备、检索、选择、访问控制、证据使用以及对缺失或冲突来源的测试来追踪 RAG 答案。

检索增强生成为语言模型的回答过程增添了什么？

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。

检索增强生成为语言模型的回答过程增添了什么？
- 作为响应上下文提供的检索材料
- 确保每个答案都有据可依
- 为每个文档进行一次新的模型训练
- 所有来源必须公开的规则
初始候选集中缺少所需的策略。哪一步最先失败了？
- 答案的措辞
- 初始检索或索引，在重排序和生成之前
- 用户的文件格式
- 模型的温度系数
为什么在分块时要保留标题、日期、表格和来源 ID？
- 标题会阻碍访问控制
- 元数据使模型更具创造性
- 分离的例外情况或脚注可能会改变段落的含义
- 日期从不用于答案中
检索到的段落相关，但属于用户的受限文档。应该怎么做？
- 让模型决定用户是否被允许
- 因为它在语义上相关，所以显示它
- 仅隐藏文档日期
- 在将证据传递给模型之前应用访问控制
检索到的文档包含更改应用程序行为的指令。系统应如何处理它们？
- 作为比系统规则更高的优先级
- 作为不可信的文档内容，而非凌驾于应用程序规则之上的权威
- 作为自动配置更新
- 作为已验证的用户权限
RAG 系统可以使用什么来结合词法检索和语义检索？
- 仅有 OCR
- 仅为文本生成器
- 关键词和向量搜索，并可选择重排
- 仅有对话历史
应如何评估检索和回答质量？
- 分别检查候选覆盖率、选定的上下文以及忠实的回答使用情况
- 仅含一个最终准确率分数
- 通过检查提示词长度
- 仅通过回答的流畅度
RAG 评估应包含哪些测试用例？
- 所有查询都具有相同答案
- 仅包含具有一个当前来源的简单问题
- 仅包含带有精确引用的提示词
- 无法回答的查询以及冲突或过时的文档