Quiz sur les intégrations de représentations Matriochka

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quelle est la propriété principale d’une intégration de Matriochka ?
   • Trained prefixes can serve as representations at multiple lengths
   • Chaque dimension est tout aussi importante et l'ordre n'a pas d'importance
   • Il ne peut être utilisé qu'à une longueur fixe
   • Il doit être réencodé pour chaque taille cible
2. Comment un modèle de Matriochka est-il formé pour y parvenir ?
   • En formant un modèle distinct pour chaque taille
   • Avec une perte additionnée sur plusieurs dimensionnalités de préfixes imbriquées
   • En appliquant PCA après une formation standard
   • En supprimant aléatoirement des dimensions au moment du test uniquement
3. Que faites-vous lors de l'inférence pour obtenir une intégration plus petite ?
   • Recycler le modèle à partir de zéro
   • Exécutez un réseau de compression distinct
   • Tronquer aux k premières dimensions et renormaliser
   • Faire la moyenne de toutes les dimensions ensemble
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. Quel est le principal avantage pratique des intégrations Matriochka ?
   • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
   • Ils éliminent le besoin de tout vecteur
   • Ils garantissent une précision parfaite à toutes les tailles
   • Ils ne fonctionnent que pour les images
6. Dans une Matriochka intégrée, où se concentrent les informations les plus discriminantes ?
   • Dans les dimensions finales
   • Dans les premières dimensions principales
   • Répartir uniformément sans ordre
   • Uniquement dans les dimensions moyennes
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