Kvíz spojený s průvodcem · Těžko úroveň
ColBERT a Multi-Vector Retrieval Quiz
Prostudujte si vícevektorové hodnocení ColBERT, přehodnocení kandidátů, načítání stránky dokumentů ColPali a jak ColBERTv2 komprimuje reprezentace tokenů.
Otázka 1 z 8
Jak ColBERT představuje dokument?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jak ColBERT představuje dokument?
- Tolik kontextových vektorů na token
- Jako jediný hustý vektor
- Jako řídký pytel klíčových slov se počítá
- Pouze jako nezpracovaný textový řetězec
- Jakou operaci používá ColBERT k hodnocení relevance dotazu a dokumentu?
- Kosinus dvou jednotlivých vektorů
- MaxSim: součet nejlepší shody každého tokenu dotazu s jakýmkoli tokenem dokumentu
- Křížová entropie přes celou slovní zásobu
- Termínová frekvence BM25
- Proč je ColBERT v měřítku rychlejší než křížový kodér?
- Používá menší slovní zásobu
- Dotaz zcela ignoruje
- Vložení tokenu dokumentu je předem vypočítáno a indexováno offline
- Zpracovává pouze první slovo každého dokumentu
- Jaký problém s jednovektorovými hustými retrívry ColBERT řeší?
- Jsou příliš pomalé na indexování
- Neumí používat neuronové sítě
- Nevyžadují žádná tréninková data
- Komprimací do jednoho vektoru ztrácejí jemnozrnné detaily na úrovni tokenů
- Jaké klíčové vylepšení ColBERTv2 představil?
- Zbytková komprese, která výrazně zmenší velikost indexu
- Úplně to odstranilo BERT
- Přešlo na jednovektorové kódování
- Funguje pouze na obrázky
- Na co ColPali aplikuje pozdní interakci ve stylu ColBERT?
- Zvukové křivky
- Obrazové záplaty stránek dokumentu, jako jsou soubory PDF
- Pouze jednotlivá klíčová slova
- Řádky databázové tabulky
- In a two-stage search system, what role can ColBERT play after a fast first-stage retriever?
- Generate the source documents from scratch
- Replace the query with a document title
- Rerank the candidate passages using contextual token-level matching
- Discard every candidate before scoring
- What does ColBERTv2's residual compression store for a token vector?
- Only the raw document text with no vector data
- A full copy of the language model for each token
- One shared vector for the entire document
- A centroid code together with a compact residual representation