اختبار مرتبط بالدليل · متوسط المستوى

الجملة-بيرت التضمينات مسابقة

اختبر مدى دعم تضمينات الجملة للبحث الدلالي القابل للتطوير، بما في ذلك تمثيلات ماتريوشكا وإعادة الترتيب عبر التشفير.

مسارات الدليل ذات الصلةالجملة بيرت التضمينات
سؤال 1 من 8

ما هي المشكلة الأساسية مع BERT العادي التي تحلها Sentence-BERT؟

معاينة كل سؤال8 أسئلة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

  1. ما هي المشكلة الأساسية مع BERT العادي التي تحلها Sentence-BERT؟
    • إن مقارنة العديد من الجمل مع BERT بطيئة جدًا
    • لا يستطيع بيرت قراءة أكثر من جملة واحدة
    • بيرت يعمل باللغة الإنجليزية فقط
    • لا يمكن ضبط BERT بشكل دقيق
  2. ما هي بنية الشبكة التي يستخدمها Sentence-BERT؟
    • وحدة فك ترميز ذاتي الانحدار واحدة
    • شبكة سيامية تحتوي على برجين BERT لتقاسم الوزن
    • شبكة الصور التلافيفية
    • وكيل التعلم المعزز
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • الحد الأقصى للتجميع على رؤوس الانتباه
    • باستخدام الحرف الأول فقط
    • يعني التجميع على تضمينات الرمز المميز
    • اختيار عشوائي لرمز واحد
  4. بمجرد تضمين الجمل، كيف يتم قياس تشابهها عادةً؟
    • تشغيل BERT مرة أخرى على كليهما
    • عد الأحرف المشتركة
    • مقارنة أحجام الملفات
    • تشابه جيب التمام (منتج نقطي) بين المتجهات
  5. What training data did the original Sentence-BERT paper use for NLI fine-tuning?
    • Natural Language Inference examples labeled for entailment, contradiction and neutral relations
    • Only satellite images with land-cover labels
    • Only audio recordings with speaker labels
    • Only source code and bug reports
  6. In a possible semantic-retrieval workflow, what can a Sentence-BERT bi-encoder do?
    • Cross-attend to every query-candidate pair before any encoding
    • Encode a query and candidate texts separately so vector similarity can rank candidates
    • Guarantee retrieval quality for every corpus
    • Replace the need to evaluate relevance
  7. What does Matryoshka Representation Learning enable for an embedding?
    • It guarantees identical quality at every vector size
    • It converts embeddings into labeled text tokens
    • A single representation can be truncated to different dimensions to trade storage or compute for task performance
    • It removes the need for similarity comparisons
  8. In a common hybrid retrieval pipeline, what happens after a bi-encoder retrieves candidate passages?
    • The candidate text is converted into audio
    • The bi-encoder is discarded and no ranking occurs
    • The system averages all documents into one sentence
    • A cross-encoder can score query-passage pairs to rerank the candidates