Prueba de incrustaciones de texto

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

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. ¿Cuál fue una limitación clave de las primeras incrustaciones de palabras como Word2Vec y GloVe?
   • No se pudieron almacenar en una computadora.
   • Sólo trabajaron para imágenes.
   • No requirieron datos de entrenamiento.
   • Cada palabra tenía un único vector fijo independientemente del contexto, por lo que "banco" significaba lo mismo en todas partes.
4. ¿Cómo mejoran las incrustaciones contextuales modernas sobre las incrustaciones de palabras estáticas?
   • Eliminan todos los números de la representación
   • Le dan a una palabra un vector diferente dependiendo de la oración que la rodea.
   • Solo insertan la primera letra de cada palabra.
   • Hacen que el vector de cada palabra sea idéntico.
5. Which documented default similarity method does Sentence Transformers use for embedding comparison?
   • Similitud del coseno
   • 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