Тест между кръстосани енкодери срещу би-енкодери

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Каква е определящата архитектурна разлика между крос-енкодер и би-енкодер?
   • Кръстосан енкодер обработва двата текста заедно, така че токените да могат да присъстват през тях, докато би-енкодер кодира всеки текст поотделно
   • Двойният енкодер използва внимание, а кръстосаният енкодер не използва внимание
   • Кръстосаният енкодер е по-малък и по-бърз от би-енкодера
   • Би-енкодерът може да обработва само един текст наведнъж
2. Защо би-енкодерите мащабират ефективно до милиони документи?
   • Те използват по-малко данни за обучение
   • Вгражданията на документи са независими от заявки и могат да бъдат предварително изчислени и съхранени
   • Те никога не използват трансформатори
   • Те пропускат стъпката на бавно токенизиране
3. Как се комбинират двете архитектури в типичен тръбопровод за търсене на продукция?
   • Кръстосаният енкодер извлича кандидати, след което би-енкодерът ги пренарежда
   • И двете работят паралелно и гласовете се осредняват
   • Двойният енкодер извлича много кандидати, след което кръстосаният енкодер пренарежда най-добрите
   • Винаги се използва само един, никога и двата
4. How does a late-interaction model such as ColBERT combine token-level query and document representations at scoring time?
   • It averages both texts into a single vector before any interaction
   • It concatenates raw audio waveforms and applies a vocoder
   • It ranks documents only by their character count
   • It compares query-token vectors with document-token vectors using a MaxSim-style aggregation
5. Какво обикновено извежда би-енкодерът за един въведен текст?
   • Един вектор за вграждане с фиксирана дължина
   • Резултат за уместност между два текста
   • Класиран списък с документи
   • Вероятностно разпределение върху речника
6. After jointly processing a query and candidate, what does a cross-encoder produce?
   • A reusable document vector computed independently of the query
   • A relevance score for that specific query-candidate pair
   • A separate token vector for every item in the full corpus
   • A guarantee that the top result is correct
7. What kind of representation does a late-interaction model such as ColBERT retain for a text?
   • Only one global label for the whole corpus
   • A decoded audio waveform
   • A vector representation for each token
   • A complete copy of the cross-encoder’s pairwise scores
8. What similarity function do Sentence Transformers examples commonly use for comparing normalized bi-encoder embeddings?
   • Edit distance over raw audio samples
   • A pixel-wise image loss
   • A speech-recognition word error rate
   • Косинусово подобие