Κουίζ για ενσωματώσεις κειμένου

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

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. Ποιος ήταν ο βασικός περιορισμός των πρώιμων ενσωματώσεων λέξεων όπως το Word2Vec και το GloVe;
   • Δεν μπορούσαν να αποθηκευτούν σε υπολογιστή
   • Δούλευαν μόνο για εικόνες
   • Δεν απαιτούσαν δεδομένα εκπαίδευσης
   • Κάθε λέξη είχε ένα ενιαίο σταθερό διάνυσμα ανεξάρτητα από το πλαίσιο, επομένως η λέξη «τράπεζα» σήμαινε το ίδιο πράγμα παντού
4. Πώς βελτιώνονται οι σύγχρονες ενσωματώσεις με βάση τα συμφραζόμενα σε σχέση με τις στατικές ενσωματώσεις λέξεων;
   • Αφαιρούν όλους τους αριθμούς από την παράσταση
   • Δίνουν σε μια λέξη διαφορετικό διάνυσμα ανάλογα με την περιβάλλουσα πρόταση
   • Ενσωματώνουν μόνο το πρώτο γράμμα κάθε λέξης
   • Κάνουν το διάνυσμα κάθε λέξης πανομοιότυπο
5. Which documented default similarity method does Sentence Transformers use for embedding comparison?
   • Ομοιότητα συνημιτονίου
   • 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