গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

ColBERT দেরী মিথস্ক্রিয়া পুনরুদ্ধার কুইজ

ColBERT টোকেন ভেক্টর, স্বাধীন এনকোডিং, ম্যাক্সসিম স্কোরিং, কোয়েরি-টাইম ওয়ার্ক এবং ColBERTv2 কম্প্রেশন দ্বারা সম্বোধনকৃত স্টোরেজ খরচ পরীক্ষা করুন।

প্রশ্ন 1 এর 8

ColBERT কিভাবে একটি প্রশ্ন বা নথি উপস্থাপন করে?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. ColBERT কিভাবে একটি প্রশ্ন বা নথি উপস্থাপন করে?
    • একটি একক গড় এমবেডিং ভেক্টর হিসাবে
    • কাঁচা কীওয়ার্ড হিসাবে শুধুমাত্র গণনা
    • অনেক টোকেন-স্তরের প্রাসঙ্গিক এম্বেডিং ভেক্টর
    • একটি ইমেজ হিসাবে
  2. ColBERT যে স্কোরিং ফাংশনটি ব্যবহার করে তাকে কী বলা হয়?
    • ম্যাক্সসিম
    • কোসাইন পুলিং
    • সফটম্যাক্স ক্রস-এনট্রপি
    • মরীচি অনুসন্ধান
  3. What query-time work does ColBERT avoid by precomputing document token vectors?
    • All query encoding and all index access
    • Every comparison between a query token and document token
    • The need to store document representations
    • Joint transformer encoding of every query-document pair, while query encoding and similarity search still run
  4. 'দেরী মিথস্ক্রিয়া'-তে 'দেরী' কী বোঝায়?
    • মডেলটি পাইপলাইনে দেরিতে প্রশিক্ষণপ্রাপ্ত হয়
    • প্রশ্ন এবং নথি টোকেনের মধ্যে মিথস্ক্রিয়া স্বাধীন এনকোডিংয়ের পরে স্কোরিং ধাপে স্থগিত করা হয়
    • গভীর রাতে প্রশ্ন আসে
    • নথি স্থাপনের পরে যোগ করা হয়
  5. একক-ভেক্টর ঘন পুনরুদ্ধারের সাথে কোন সমস্যা ColBERT সমাধান করে?
    • এটা সূচক খুব ধীর
    • এটি GPU তে চলতে পারে না
    • প্রতিটি প্রশ্নের জন্য লেবেলযুক্ত ডেটা প্রয়োজন
    • একটি ভেক্টরে একটি সম্পূর্ণ প্যাসেজ সংকুচিত করা সূক্ষ্ম-দানাযুক্ত বিশদ হারায়
  6. ColBERTv2 মূলের তুলনায় উল্লেখযোগ্যভাবে কী উন্নতি করেছে?
    • এটি কোনো এমবেডিংয়ের প্রয়োজনকে সরিয়ে দিয়েছে
    • এটি BERT থেকে একটি নিয়ম-ভিত্তিক সিস্টেমে পরিবর্তিত হয়েছে
    • এটি সূচকের আকারকে ব্যাপকভাবে সঙ্কুচিত করার জন্য অবশিষ্ট সংকোচন যুক্ত করেছে
    • এটি ম্যাক্সসিম পদক্ষেপটি বাদ দিয়েছে
  7. A two-token ColBERT query has best document-token similarities of 0.8 and 0.3. What MaxSim score results?
    • 0.8, retaining only the single largest value across the whole query
    • 1.1, the sum of the two per-query-token maxima
    • 0.55, averaging instead of summing the maxima
    • 0.24, multiplying the two maxima
  8. Why can a ColBERT document index require more storage than a single-vector dense index?
    • It retains multiple token-level representations for each document
    • It never precomputes any document features
    • It must store all transformer gradients for each document
    • It removes every document token before indexing