Тест, свързан с ръководство · Среден Ниво

Тест за вграждания на изречение BERT

Тествайте как вграждането на изречения поддържа мащабируемо семантично търсене, включително Matryoshka представяния и кръстосано прекласиране на енкодер.

Свързани ръководни пътекиИзречение Bert Embeddings
Въпрос 1 на 8

Какъв основен проблем с обикновения BERT решава Sentence-BERT?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какъв основен проблем с обикновения BERT решава Sentence-BERT?
    • Сравняването на много изречения по двойки с BERT е твърде бавно
    • BERT не може да прочете повече от едно изречение
    • BERT работи само на английски език
    • BERT не може да се настройва фино
  2. Каква мрежова архитектура използва Sentence-BERT?
    • Единичен авторегресивен декодер
    • Сиамска мрежа с две BERT кули за споделяне на теглото
    • Конволюционна мрежа от изображения
    • Агент за подсилващо обучение
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • Макс обединяване на вниманието глави
    • Използване само на първия знак
    • Означава обединяване на вгражданията на токени
    • Произволен избор на един жетон
  4. След като изреченията са вградени, как обикновено се измерва тяхната прилика?
    • Стартиране на BERT отново и на двете
    • Преброяване на споделени знаци
    • Сравняване на размери на файлове
    • Косинусово сходство (точков продукт) между вектори
  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