Quiz sur les intégrations de phrases-BERT

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

1. Quel problème principal avec le BERT simple Sentence-BERT résout-il ?
   • Comparer plusieurs phrases par paires avec BERT est beaucoup trop lent
   • BERT ne peut pas lire plus d'une phrase
   • BERT ne fonctionne qu'en anglais
   • BERT ne peut pas être réglé avec précision
2. Quelle architecture réseau Sentence-BERT utilise-t-il ?
   • Un seul décodeur autorégressif
   • Un réseau siamois avec deux tours BERT en partage de poids
   • Un réseau d'images convolutif
   • Un agent d’apprentissage par renforcement
3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
   • Mise en commun maximale des têtes d'attention
   • Utiliser uniquement le premier caractère
   • Regroupement moyen sur les intégrations de jetons
   • Sélection aléatoire d'un jeton
4. Une fois les phrases intégrées, comment leur similarité est-elle généralement mesurée ?
   • Exécuter à nouveau BERT sur les deux
   • Compter les personnages partagés
   • Comparaison des tailles de fichiers
   • Similitude cosinus (un produit scalaire) entre les vecteurs
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