Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Sentence-BERT Embeddings Quiz

Δοκιμάστε πώς οι ενσωματώσεις προτάσεων υποστηρίζουν κλιμακούμενη σημασιολογική αναζήτηση, συμπεριλαμβανομένων αναπαραστάσεων Matryoshka και επανακατάταξης μεταξύ κωδικοποιητών.

Σχετικές διαδρομές οδηγώνΠρόταση Bert Embeddings
Ερώτηση 1 του 8

Ποιο βασικό πρόβλημα με το απλό BERT λύνει το Sentence-BERT;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποιο βασικό πρόβλημα με το απλό BERT λύνει το Sentence-BERT;
    • Η σύγκριση πολλών προτάσεων κατά ζεύγη με το BERT είναι πολύ αργή
    • Ο BERT δεν μπορεί να διαβάσει περισσότερες από μία προτάσεις
    • Το BERT λειτουργεί μόνο στα αγγλικά
    • Το BERT δεν μπορεί να βελτιωθεί
  2. Ποια αρχιτεκτονική δικτύου χρησιμοποιεί το Sentence-BERT;
    • Ένας μόνο αυτοπαλινδρομικός αποκωδικοποιητής
    • Ένα σιαμέζικο δίκτυο με δύο πύργους BERT που μοιράζονται το βάρος
    • Ένα συνελικτικό δίκτυο εικόνων
    • Ένας παράγοντας ενίσχυσης-μάθησης
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • Max pooling πάνω από τα κεφάλια προσοχής
    • Χρησιμοποιώντας μόνο τον πρώτο χαρακτήρα
    • Σημαντική συγκέντρωση πάνω από τις ενσωματώσεις συμβολικών
    • Τυχαία επιλογή ενός διακριτικού
  4. Μόλις ενσωματωθούν οι προτάσεις, πώς μετριέται συνήθως η ομοιότητά τους;
    • Τρέχοντας ξανά το BERT και στα δύο
    • Καταμέτρηση κοινόχρηστων χαρακτήρων
    • Σύγκριση μεγεθών αρχείων
    • Ομοιότητα συνημιτόνου (ένα γινόμενο με τελείες) μεταξύ των διανυσμάτων
  5. What training data did the original Sentence-BERT paper use for NLI fine-tuning?
    • Natural Language Inference examples labeled for entailment, contradiction and neutral relations
    • Only satellite images with land-cover labels
    • Only audio recordings with speaker labels
    • Only source code and bug reports
  6. In a possible semantic-retrieval workflow, what can a Sentence-BERT bi-encoder do?
    • Cross-attend to every query-candidate pair before any encoding
    • Encode a query and candidate texts separately so vector similarity can rank candidates
    • Guarantee retrieval quality for every corpus
    • Replace the need to evaluate relevance
  7. What does Matryoshka Representation Learning enable for an embedding?
    • It guarantees identical quality at every vector size
    • It converts embeddings into labeled text tokens
    • A single representation can be truncated to different dimensions to trade storage or compute for task performance
    • It removes the need for similarity comparisons
  8. In a common hybrid retrieval pipeline, what happens after a bi-encoder retrieves candidate passages?
    • The candidate text is converted into audio
    • The bi-encoder is discarded and no ranking occurs
    • The system averages all documents into one sentence
    • A cross-encoder can score query-passage pairs to rerank the candidates