引導式測驗 · 中等 等級
最大邊際相關性測驗
測試 MMR 相關性多樣性評分、貪婪選擇、快取冗餘更新以及初始檢索候選池所施加的限制。
問題 1 的 8
MMR 旨在解決的主要問題是什麼?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- MMR 旨在解決的主要問題是什麼?
- 大型資料庫中查詢延遲較慢
- 使用者查詢中的拼字錯誤
- 純粹相關性排名的冗餘、近乎重複的結果
- 缺乏嵌入的訓練數據
- 在MMR公式中,接近1的lambda值強調什麼?
- 與查詢的純粹相關性
- 結果之間的最大多樣性
- 所有候選人的權重相同
- 隨機選擇
- MMR 如何選擇結果?
- 透過對單一分數進行排序來一次完成所有操作
- 隨機使用固定種子
- 按文件的字母順序排列
- 貪婪地,一次一項,與已選擇的項目進行比較
- 基於嵌入的 MMR 實作如何衡量查詢相關性和文件冗餘?
- 僅使用文件的檔案名稱長度
- 使用餘弦等相似性度量,無需 MMR 要求通用一種度量
- 對所有文字使用強制性音訊轉錄分數
- 完全不使用相關性或文件間比較
- 為什麼 MMR 在檢索增強生成 (RAG) 中特別有用?
- 它提供補充的、非冗餘的證據區塊
- 它壓縮模型的權重
- 它自動微調語言模型
- 它會對檢索到的文檔進行加密
- 如果 MMR 快取每個候選的最大冗餘並根據每個新選擇更新它,那麼從 n 個候選中選擇 k 個大約需要多少相似度?
- 始終為常數時間,與 k 和 n 無關
- 每個實現都精確的 n 階乘
- 大約 k 乘以 n,忽略向量維度和初始設置
- 第一次查詢得分後沒有文件比較
- 當 lambda 等於 0.5、相關性為 0.8、最大所選項目相似度為 0.9 時,候選人的 MMR 評分項為何?
- 0.85,兩個相似度進行平均
- 負0.05,從0.5乘0.8減0.5乘0.9
- 0.72,相關性和冗餘相乘
- 1.7、從增加兩個相似點
- MMR 重排序器可以選擇上游檢索候選池忽略的相關文件嗎?
- 是的;多樣性評分發明了缺失的來源文檔
- 是的;較低的 lambda 會自動搜尋整個語料庫
- 是的;重新排名會更改文件的原始發布日期
- 不;除非上游池擴大,否則它會在提供的候選人中進行選擇