Kvíz spojený s průvodcem · Střední úroveň

Kvíz o vkládání textu

Prohlížejte textové vektory a kontextové reprezentace, včetně kosinusového bodování, hustého vyhledávání, Sentence-BERT pooling a nezávisle kódovaných textů.

Související vodicí cestyVložení textu
Otázka 1 z 8

What does a text embedding supply for a language comparison task?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. What does a text embedding supply for a language comparison task?
    • A required spoken audio recording
    • A verbatim dictionary entry for every coordinate
    • A numerical vector representation of text
    • Only a grammar-repair instruction
  2. In a representation trained to capture synonym similarity, what relationship is desirable for happy and joyful?
    • A relatively high similarity under the chosen scoring method
    • A mandatory identical vector for every word
    • A guarantee they are synonyms in every possible context
    • A requirement that neither word can be encoded
  3. Jaké bylo klíčové omezení raných vkládání slov, jako jsou Word2Vec a GloVe?
    • Nebylo možné je uložit do počítače
    • Fungovaly pouze pro obrázky
    • Nevyžadovali žádná tréninková data
    • Každé slovo mělo jeden pevný vektor bez ohledu na kontext, takže „banka“ znamenala všude to samé
  4. Jak moderní kontextová vkládání vylepšují vkládání statických slov?
    • Odstraní všechna čísla z reprezentace
    • Dávají slovu jiný vektor v závislosti na okolní větě
    • Vkládají pouze první písmeno každého slova
    • Dělají vektor každého slova identický
  5. Which documented default similarity method does Sentence Transformers use for embedding comparison?
    • Kosinusová podobnost
    • Alphabetical order
    • Document creation date
    • Character count alone
  6. What role can compatible text vectors play in a dense-retrieval RAG pipeline?
    • Guaranteeing every generated claim is correct
    • Eliminating the source corpus
    • Ranking candidate passages before they are supplied as context
    • Training a new language model on every query
  7. Which pooling strategy is the stated default in the original Sentence-BERT paper?
    • A mandatory maximum over every possible vocabulary item
    • Mean pooling of output token vectors
    • Concatenation of all corpus documents
    • Randomly selecting an unchanged input byte
  8. Which Sentence-BERT design allows stored sentences to be encoded before a new comparison sentence arrives?
    • Mandatory joint processing of every possible pair
    • Rebuilding encoder weights for each candidate
    • Encoding only the final comparison score
    • Independent sentence encoding through its siamese architecture