Cuestionario vinculado a una guía · Medio Nivel

Prueba de incrustaciones de Sentence-BERT

Pruebe cómo las incrustaciones de oraciones respaldan la búsqueda semántica escalable, incluidas las representaciones de Matryoshka y la reclasificación entre codificadores.

Rutas de guía relacionadasIncrustaciones de frases de Bert
Pregunta 1 de 8

¿Qué problema central con BERT simple resuelve Sentence-BERT?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué problema central con BERT simple resuelve Sentence-BERT?
    • Comparar muchas oraciones por pares con BERT es demasiado lento
    • BERT no puede leer más de una oración.
    • BERT solo funciona en inglés
    • BERT no se puede ajustar
  2. ¿Qué arquitectura de red utiliza Sentence-BERT?
    • Un único decodificador autorregresivo
    • Una red siamesa con dos torres BERT de peso compartido
    • Una red de imágenes convolucional
    • Un agente de aprendizaje por refuerzo
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • Max agrupandose sobre las cabezas de atencion
    • Usando solo el primer carácter
    • Agrupación media sobre las incrustaciones de tokens
    • Selección aleatoria de una ficha
  4. Una vez integradas las oraciones, ¿cómo se mide normalmente su similitud?
    • Ejecutando BERT nuevamente en ambos
    • Contando caracteres compartidos
    • Comparar tamaños de archivos
    • Similitud de coseno (un producto escalar) entre vectores
  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