Cuestionario sobre incrustaciones de representaciones de matrioskas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Cuál es la propiedad principal de una incrustación de Matryoshka?
   • Trained prefixes can serve as representations at multiple lengths
   • Todas las dimensiones son igualmente importantes y el orden no importa
   • Sólo se puede utilizar en una longitud fija.
   • Debe volverse a codificar para cada tamaño de destino.
2. ¿Cómo se entrena un modelo Matryoshka para lograr esto?
   • Entrenando un modelo separado para cada tamaño
   • Con una pérdida sumada sobre múltiples dimensionalidades de prefijo anidadas
   • Aplicando PCA después de la formación estándar
   • Eliminando dimensiones aleatoriamente solo en el momento de la prueba
3. ¿Qué haces en la inferencia para obtener una incrustación más pequeña?
   • Vuelva a entrenar el modelo desde cero
   • Ejecute una red de compresión separada
   • Truncar a las primeras k dimensiones y volver a normalizar
   • Promediar todas las dimensiones juntas
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. ¿Cuál es el principal beneficio práctico de las incrustaciones de Matryoshka?
   • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
   • Eliminan la necesidad de cualquier vector.
   • Garantizan una precisión perfecta en todos los tamaños.
   • Sólo funcionan para imágenes.
6. En una incrustación de Matryoshka, ¿dónde se concentra la información más discriminativa?
   • En las dimensiones finales, finales.
   • En las primeras dimensiones líderes
   • Distribuir uniformemente sin realizar pedidos.
   • Sólo en las dimensiones medias.
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