مسابقة التضمين

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. What is an embedding in the numerical representation sense used here?
   • A dictionary definition that must be stored verbatim
   • A required compression format for image files
   • A vector representing an item for a model or comparison task
   • An exact database row identifier only
2. What can closeness in a trained semantic embedding space indicate?
   • Similarity learned under that model’s objective
   • A guarantee that two statements are equally true
   • An identical byte sequence in every case
   • A universal relation independent of training
3. ما هو المقياس الشائع استخدامه لمقارنة اثنين من التضمينات؟
   • اختلاف حجم الملف
   • الترتيب الأبجدي
   • عدد الكلمات
   • تشابه جيب التمام
4. What tradeoff can an approximate embedding index such as HNSW introduce?
   • A guarantee of complete exact retrieval in every configuration
   • Faster search with possible missed exact nearest neighbors
   • A required change of every vector to a word definition
   • Automatic removal of all training-data bias
5. ما الذي يوضحه المثال الكلاسيكي "الملك - الرجل + المرأة - الملكة" حول التضمين؟
   • يمكنهم التقاط العلاقات من خلال حساب المتجهات
   • يقومون بتخزين التعريفات الدقيقة للكلمات
   • إنهم يعملون فقط بشروط حقوق الملكية
   • فهي عشوائية ولا معنى لها
6. ما هو الخطر الحقيقي عند استخدام التضمين؟
   • ولا يمكن تخزينها في قاعدة بيانات
   • إنهم يعملون باللغة الإنجليزية فقط
   • يمكنهم أن يرثوا ويعكسوا التحيزات الموجودة في بيانات التدريب الخاصة بهم
   • إنهم يجعلون جميع عمليات البحث مطابقة تمامًا فقط
7. Two unit-length embedding vectors have dot product 0.8. What is their squared Euclidean distance?
   • 0.2
   • 0.4
   • 0.8
   • 1.6
8. When does an inner-product score equal cosine similarity for two nonzero embedding vectors?
   • Whenever their dimensions are equal
   • Whenever they came from two unrelated model families
   • Only when their coordinates are all zero
   • When both vectors have been normalized to unit length