Kvíz spojený s průvodcem · Střední úroveň
Kvíz Cross-Encoders vs Bi-Encoders
Porovnejte načítání křížovým kodérem a bi-kodérem, od opakovaně použitelných vložení až po přehodnocení s ohledem na dotazy a modely pozdní interakce.
Otázka 1 z 8
Jaký je definující architektonický rozdíl mezi křížovým kodérem a bikodérem?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaký je definující architektonický rozdíl mezi křížovým kodérem a bikodérem?
- Křížový kodér zpracovává oba texty společně, takže je mohou používat tokeny, zatímco bikodér kóduje každý text samostatně.
- Bi-kodér využívá pozornost a křížový kodér nepoužívá pozornost
- Křížový kodér je menší a rychlejší než bi-kodér
- Bi-kodér dokáže zpracovat pouze jeden text najednou
- Proč se bi-kodéry efektivně škálují na miliony dokumentů?
- Používají méně tréninkových dat
- Vložení dokumentů je nezávislé na dotazu a lze je předem vypočítat a uložit
- Nikdy nepoužívají transformátory
- Přeskočí krok pomalé tokenizace
- Jak jsou v typickém produkčním vyhledávacím kanálu kombinovány tyto dvě architektury?
- Křížový kodér vyhledá kandidáty a poté je bi-kodér přehodnotí
- Oba běží paralelně a hlasy jsou zprůměrovány
- Bi-kodér vyhledá mnoho kandidátů, poté křížový kodér přehodnotí ty nejlepší
- Vždy se používá pouze jeden, nikdy oba
- Jak model s pozdní interakcí, jako je ColBERT, kombinuje tokenové reprezentace dotazu a dokumentu při hodnocení?
- Průměruje oba texty do jediného vektoru před jakoukoli interakcí
- Spojuje surové audio vlnové formy a používá vocoder
- Řadí dokumenty pouze podle počtu znaků
- Porovnává vektory tokenů dotazu s vektory tokenů dokumentu pomocí agregace ve stylu MaxSim
- Co obvykle vydává bi-kodér pro jeden vstupní text?
- Jediný vektor pro vkládání s pevnou délkou
- Skóre relevance mezi dvěma texty
- Seřazený seznam dokumentů
- Rozložení pravděpodobnosti ve slovní zásobě
- Po společném zpracování dotazu a kandidáta, co produkuje cross-encoder?
- Znovupoužitelný vektor dokumentu vypočtený nezávisle na dotazu
- Skóre relevance pro konkrétní dvojici dotaz‑kandidát
- Samostatný tokenový vektor pro každý prvek v celém korpusu
- Záruka, že nejvyšší výsledek je správný
- Jaký typ reprezentace si model s pozdní interakcí, jako je ColBERT, uchovává pro text?
- Pouze jeden globální štítek pro celý korpus
- Dekódovaný audio vlnový křivka
- Vektorová reprezentace pro každý token
- Úplná kopie párových skóre křížového enkodéru
- Jakou funkci podobnosti běžně používají příklady Sentence Transformers pro porovnání normalizovaných bi-enkodérových vektorů?
- Editační vzdálenost nad surovými audio vzorky
- Ztráta pixel po pixelu obrázku
- Chybovost slov v rozpoznávání řeči
- Kosinusová podobnost