Kvíz spojený s průvodcem · Střední úroveň
Kvíz o vkládání
Prozkoumejte vloženou geometrii a kosinusovou podobnost s vektorovými analogiemi, přibližným vyhledáváním, naučeným zkreslením a normalizovanými výpočty vzdálenosti.
Otázka 1 z 8
What is an embedding in the numerical representation sense used here?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- What is an embedding in the numerical representation sense used here?
- A dictionary definition that must be stored verbatim
- A required compression format for image files
- A vector representing an item for a model or comparison task
- An exact database row identifier only
- What can closeness in a trained semantic embedding space indicate?
- Similarity learned under that model’s objective
- A guarantee that two statements are equally true
- An identical byte sequence in every case
- A universal relation independent of training
- Která metrika se běžně používá k porovnání dvou vložení?
- Rozdíl ve velikosti souboru
- Abecední řazení
- Počet slov
- Kosinusová podobnost
- What tradeoff can an approximate embedding index such as HNSW introduce?
- A guarantee of complete exact retrieval in every configuration
- Faster search with possible missed exact nearest neighbors
- A required change of every vector to a word definition
- Automatic removal of all training-data bias
- Co ukazuje klasický příklad „král – muž + žena ≈ královna“ o vkládání?
- Mohou zachytit vztahy pomocí vektorové aritmetiky
- Ukládají přesné definice slov
- Fungují pouze za licenčních podmínek
- Jsou náhodné a nesmyslné
- Co je skutečné riziko při použití vložení?
- Nelze je uložit do databáze
- Pracují pouze v angličtině
- Mohou zdědit a odrážet předsudky přítomné v jejich tréninkových datech
- Vytvářejí všechna vyhledávání pouze s přesnou shodou
- Two unit-length embedding vectors have dot product 0.8. What is their squared Euclidean distance?
- 0.2
- 0,4
- 0.8
- 1.6
- When does an inner-product score equal cosine similarity for two nonzero embedding vectors?
- Whenever their dimensions are equal
- Whenever they came from two unrelated model families
- Only when their coordinates are all zero
- When both vectors have been normalized to unit length