Mit dem Guide verknüpftes Quiz · Mittel Ebene

Cross-Encoder vs. Bi-Encoder-Quiz

Vergleichen Sie den Cross-Encoder- und Bi-Encoder-Abruf, von wiederverwendbaren Einbettungen bis hin zu abfragebewussten Reranking- und Late-Interaction-Modellen.

Verwandte FührungspfadeCross-Encoder vs. Bi-Encoder
Frage 1 von 8

Was ist der entscheidende architektonische Unterschied zwischen einem Cross-Encoder und einem Bi-Encoder?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was ist der entscheidende architektonische Unterschied zwischen einem Cross-Encoder und einem Bi-Encoder?
    • Ein Cross-Encoder verarbeitet beide Texte zusammen, sodass Token sie übergreifen können, während ein Bi-Encoder jeden Text separat codiert
    • Ein Bi-Encoder nutzt Aufmerksamkeit und ein Cross-Encoder nutzt keine Aufmerksamkeit
    • Ein Cross-Encoder ist kleiner und schneller als ein Bi-Encoder
    • Ein Bi-Encoder kann jeweils nur einen Text verarbeiten
  2. Warum lassen sich Bi-Encoder effizient auf Millionen von Dokumenten skalieren?
    • Sie verbrauchen weniger Trainingsdaten
    • Dokumenteinbettungen sind abfrageunabhängig und können vorberechnet und gespeichert werden
    • Sie verwenden niemals Transformatoren
    • Sie überspringen den langsamen Tokenisierungsschritt
  3. Wie werden in einer typischen Produktionssuchpipeline die beiden Architekturen kombiniert?
    • Der Cross-Encoder ruft Kandidaten ab, dann ordnet ein Bi-Encoder sie neu
    • Beide laufen parallel und die Stimmen werden gemittelt
    • Ein Bi-Encoder ruft viele Kandidaten ab, dann ordnet ein Cross-Encoder die Top-Kandidaten neu
    • Es wird immer nur einer verwendet, niemals beide
  4. How does a late-interaction model such as ColBERT combine token-level query and document representations at scoring time?
    • It averages both texts into a single vector before any interaction
    • It concatenates raw audio waveforms and applies a vocoder
    • It ranks documents only by their character count
    • It compares query-token vectors with document-token vectors using a MaxSim-style aggregation
  5. Was gibt ein Bi-Encoder normalerweise für einen einzelnen Eingabetext aus?
    • Ein einzelner Einbettungsvektor fester Länge
    • Ein Relevanzwert zwischen zwei Texten
    • Eine Rangliste der Dokumente
    • Eine Wahrscheinlichkeitsverteilung über den Wortschatz
  6. After jointly processing a query and candidate, what does a cross-encoder produce?
    • A reusable document vector computed independently of the query
    • A relevance score for that specific query-candidate pair
    • A separate token vector for every item in the full corpus
    • A guarantee that the top result is correct
  7. What kind of representation does a late-interaction model such as ColBERT retain for a text?
    • Only one global label for the whole corpus
    • A decoded audio waveform
    • A vector representation for each token
    • A complete copy of the cross-encoder’s pairwise scores
  8. What similarity function do Sentence Transformers examples commonly use for comparing normalized bi-encoder embeddings?
    • Edit distance over raw audio samples
    • A pixel-wise image loss
    • A speech-recognition word error rate
    • Kosinusähnlichkeit