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.
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.
- 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
- 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
- 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
- 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
- Which documented default similarity method does Sentence Transformers use for embedding comparison?
- Kosinusová podobnost
- Alphabetical order
- Document creation date
- Character count alone
- 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
- 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
- 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