Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ για ενσωματώσεις αντιπροσώπευσης Matryoshka

Δοκιμάστε πώς η εκπαίδευση Matryoshka κάνει την ενσωμάτωση προθεμάτων χρήσιμη σε πολλαπλές διαστάσεις και υποστηρίζει προσαρμοστικές επιλογές αποθήκευσης και ανάκτησης.

Σχετικές διαδρομές οδηγώνΕνσωματώσεις αναπαράστασης Matryoshka
Ερώτηση 1 του 8

Ποια είναι η βασική ιδιότητα μιας ενσωμάτωσης Matryoshka;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποια είναι η βασική ιδιότητα μιας ενσωμάτωσης Matryoshka;
    • Trained prefixes can serve as representations at multiple lengths
    • Κάθε διάσταση είναι εξίσου σημαντική και η σειρά δεν έχει σημασία
    • Μπορεί να χρησιμοποιηθεί μόνο σε ένα σταθερό μήκος
    • Πρέπει να επανακωδικοποιηθεί για κάθε μέγεθος στόχου
  2. Πώς εκπαιδεύεται ένα μοντέλο Matryoshka για να το πετύχει αυτό;
    • Εκπαιδεύοντας ένα ξεχωριστό μοντέλο για κάθε μέγεθος
    • Με μια απώλεια που αθροίζεται σε πολλαπλές διαστάσεις ένθετων προθεμάτων
    • Εφαρμόζοντας PCA μετά από τυπική εκπαίδευση
    • Με τυχαία απόθεση διαστάσεων μόνο τη στιγμή της δοκιμής
  3. Τι κάνετε για να έχετε μικρότερη ενσωμάτωση;
    • Εκπαιδεύστε ξανά το μοντέλο από την αρχή
    • Εκτελέστε ένα ξεχωριστό δίκτυο συμπίεσης
    • Περικοπή στις πρώτες διαστάσεις k και επανακανονικοποίηση
    • Μέσος όρος όλων των διαστάσεων μαζί
  4. Which documented API lets a caller request fewer dimensions for text-embedding-3 output?
    • The dimensions parameter
    • A PCA flag in the Matryoshka paper
    • A FastText n-gram option
    • A GloVe context-window setting
  5. Ποιο είναι το κύριο πρακτικό όφελος των ενσωματώσεων Matryoshka;
    • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
    • Εξαλείφουν την ανάγκη για τυχόν διανύσματα
    • Εγγυούνται τέλεια ακρίβεια σε όλα τα μεγέθη
    • Λειτουργούν μόνο για εικόνες
  6. Σε μια ενσωμάτωση Matryoshka, πού συγκεντρώνονται οι πιο διακριτικές πληροφορίες;
    • Στην τελική, συρόμενες διαστάσεις
    • Στις αρχαιότερες, κορυφαίες διαστάσεις
    • Απλώστε ομοιόμορφα χωρίς παραγγελία
    • Μόνο στις μεσαίες διαστάσεις
  7. Which dimensionality schedule is an example of nested Matryoshka prefixes in the guide?
    • Only one fixed size of 512 dimensions
    • A decreasing schedule from 2048 to 1 dimension with separate models
    • 8, 16, 32, and progressively larger prefixes up to 2048 dimensions
    • A sequence of unrelated sizes requiring new model weights each time
  8. How does truncating a Matryoshka embedding differ from applying a separate PCA model?
    • It requires retraining a different encoder for every dimension
    • It replaces the original vector with a random projection
    • It can only be done while the model is being trained
    • A shorter prefix can be sliced and renormalized from the same trained embedding without a separate projection model