Тест, свързан с ръководство · Среден Ниво

Тест за вграждане на представяне на матрьошка

Тествайте как обучението на Matryoshka прави вграждането на префикси полезно в множество измерения и поддържа адаптивни избори за съхранение и извличане.

Свързани ръководни пътекиВграждания за представяне на матрьошка
Въпрос 1 на 8

Какво е основното свойство на вграждането на матрьошка?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво е основното свойство на вграждането на матрьошка?
    • Trained prefixes can serve as representations at multiple lengths
    • Всяко измерение е еднакво важно и редът няма значение
    • Може да се използва само на една фиксирана дължина
    • Той трябва да бъде повторно кодиран за всеки целеви размер
  2. Как се обучава модел на матрьошка да постигне това?
    • Като обучите отделен модел за всеки размер
    • Със загуба, сумирана върху множество вложени размерности на префикса
    • Чрез прилагане на PCA след стандартно обучение
    • Чрез произволно пускане на измерения само по време на теста
  3. Какво правите при извода, за да получите по-малко вграждане?
    • Преобучете модела от нулата
    • Изпълнете отделна мрежа за компресиране
    • Съкратете до първите k измерения и пренормирайте
    • Осреднете всички измерения заедно
  4. Which documented API lets a caller request fewer dimensions for text-embedding-3 output?
    • The dimensions parameter
    • A PCA flag in the Matryoshka paper
    • A FastText n-gram option
    • A GloVe context-window setting
  5. Каква е основната практическа полза от вграждането на Matryoshka?
    • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
    • Те премахват необходимостта от всякакви вектори
    • Те гарантират перфектна точност при всички размери
    • Те работят само за изображения
  6. Къде е концентрирана най-дискриминиращата информация при вграждане на матрьошка?
    • В крайна сметка, задните размери
    • В най-ранните, водещи измерения
    • Разпределете равномерно без подреждане
    • Само в средните размери
  7. Which dimensionality schedule is an example of nested Matryoshka prefixes in the guide?
    • Only one fixed size of 512 dimensions
    • A decreasing schedule from 2048 to 1 dimension with separate models
    • 8, 16, 32, and progressively larger prefixes up to 2048 dimensions
    • A sequence of unrelated sizes requiring new model weights each time
  8. How does truncating a Matryoshka embedding differ from applying a separate PCA model?
    • It requires retraining a different encoder for every dimension
    • It replaces the original vector with a random projection
    • It can only be done while the model is being trained
    • A shorter prefix can be sliced and renormalized from the same trained embedding without a separate projection model