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.

Související vodicí cestyVěta Bert Embeddings
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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