Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zum Einbetten von Texten

Überprüfen Sie Textvektoren und kontextbezogene Darstellungen, einschließlich Kosinusbewertung, Dense Retrieval, Sentence-BERT-Pooling und unabhängig codierte Texte.

Verwandte FührungspfadeTexteinbettungen
Frage 1 von 8

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

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  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. Was war eine wesentliche Einschränkung früher Worteinbettungen wie Word2Vec und GloVe?
    • Sie konnten nicht auf einem Computer gespeichert werden
    • Sie arbeiteten nur für Bilder
    • Sie benötigten keine Trainingsdaten
    • Jedes Wort hatte unabhängig vom Kontext einen einzigen festen Vektor, sodass „Bank“ überall dasselbe bedeutete
  4. Wie verbessern moderne kontextbezogene Einbettungen statische Worteinbettungen?
    • Sie entfernen alle Zahlen aus der Darstellung
    • Sie geben einem Wort je nach umgebendem Satz einen anderen Vektor
    • Sie betten nur den ersten Buchstaben jedes Wortes ein
    • Sie machen den Vektor jedes Wortes identisch
  5. Which documented default similarity method does Sentence Transformers use for embedding comparison?
    • Kosinusähnlichkeit
    • 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