Kvíz spojený s průvodcem · Střední úroveň
Sentence-BERT Embedding Quiz
Vyzkoušejte, jak vkládání vět podporuje škálovatelné sémantické vyhledávání, včetně reprezentace Matrjošky a změny pořadí mezi kodéry.
Otázka 1 z 8
Jaký základní problém s prostým BERT řeší Sentence-BERT?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaký základní problém s prostým BERT řeší Sentence-BERT?
- Porovnání mnoha vět párově s BERT je příliš pomalé
- BERT nemůže přečíst více než jednu větu
- BERT funguje pouze v angličtině
- BERT nelze doladit
- Jakou síťovou architekturu používá Sentence-BERT?
- Jediný autoregresivní dekodér
- Siamská síť se dvěma věžemi BERT, které sdílejí váhu
- Konvoluční obrazová síť
- Agent pro posilování učení
- Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
- Max sdružuje hlavy pozornosti
- Použití pouze prvního znaku
- Znamená sdružování přes vložení tokenů
- Náhodný výběr jednoho tokenu
- Jakmile jsou věty vloženy, jak se obvykle měří jejich podobnost?
- Znovu běží BERT na obou
- Počítání sdílených postav
- Porovnání velikostí souborů
- Kosinová podobnost (bodový součin) mezi vektory
- What training data did the original Sentence-BERT paper use for NLI fine-tuning?
- Natural Language Inference examples labeled for entailment, contradiction and neutral relations
- Only satellite images with land-cover labels
- Only audio recordings with speaker labels
- Only source code and bug reports
- In a possible semantic-retrieval workflow, what can a Sentence-BERT bi-encoder do?
- Cross-attend to every query-candidate pair before any encoding
- Encode a query and candidate texts separately so vector similarity can rank candidates
- Guarantee retrieval quality for every corpus
- Replace the need to evaluate relevance
- What does Matryoshka Representation Learning enable for an embedding?
- It guarantees identical quality at every vector size
- It converts embeddings into labeled text tokens
- A single representation can be truncated to different dimensions to trade storage or compute for task performance
- It removes the need for similarity comparisons
- In a common hybrid retrieval pipeline, what happens after a bi-encoder retrieves candidate passages?
- The candidate text is converted into audio
- The bi-encoder is discarded and no ranking occurs
- The system averages all documents into one sentence
- A cross-encoder can score query-passage pairs to rerank the candidates