Тест, свързан с ръководство · Среден Ниво

Тест за вграждане на текст

Прегледайте текстови вектори и контекстуални представяния, включително косинусови точки, плътно извличане, обединяване на изречения-BERT и независимо кодирани текстове.

Свързани ръководни пътекиТекстови вграждания
Въпрос 1 на 8

What does a text embedding supply for a language comparison task?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. What does a text embedding supply for a language comparison task?
    • A required spoken audio recording
    • A verbatim dictionary entry for every coordinate
    • A numerical vector representation of text
    • Only a grammar-repair instruction
  2. In a representation trained to capture synonym similarity, what relationship is desirable for happy and joyful?
    • A relatively high similarity under the chosen scoring method
    • A mandatory identical vector for every word
    • A guarantee they are synonyms in every possible context
    • A requirement that neither word can be encoded
  3. Какво беше основното ограничение на ранните вграждания на думи като Word2Vec и GloVe?
    • Не можеха да се съхраняват на компютър
    • Те работеха само за изображения
    • Те не изискват данни за обучение
    • Всяка дума имаше единичен фиксиран вектор, независимо от контекста, така че „банка“ означаваше едно и също нещо навсякъде
  4. Как модерните контекстуални вграждания подобряват вгражданията на статични думи?
    • Те премахват всички числа от представянето
    • Те дават на думата различен вектор в зависимост от заобикалящото я изречение
    • Те вграждат само първата буква от всяка дума
    • Те правят вектора на всяка дума идентичен
  5. Which documented default similarity method does Sentence Transformers use for embedding comparison?
    • Косинусово подобие
    • Alphabetical order
    • Document creation date
    • Character count alone
  6. What role can compatible text vectors play in a dense-retrieval RAG pipeline?
    • Guaranteeing every generated claim is correct
    • Eliminating the source corpus
    • Ranking candidate passages before they are supplied as context
    • Training a new language model on every query
  7. Which pooling strategy is the stated default in the original Sentence-BERT paper?
    • A mandatory maximum over every possible vocabulary item
    • Mean pooling of output token vectors
    • Concatenation of all corpus documents
    • Randomly selecting an unchanged input byte
  8. Which Sentence-BERT design allows stored sentences to be encoded before a new comparison sentence arrives?
    • Mandatory joint processing of every possible pair
    • Rebuilding encoder weights for each candidate
    • Encoding only the final comparison score
    • Independent sentence encoding through its siamese architecture