कोलबर्ट लेट इंटरेक्शन रिट्रीवल क्विज़

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. ColBERT किसी क्वेरी या दस्तावेज़ का प्रतिनिधित्व कैसे करता है?
   • एकल औसत एम्बेडिंग वेक्टर के रूप में
   • चूँकि कच्चा कीवर्ड ही गिना जाता है
   • जितने भी टोकन-स्तरीय प्रासंगिक एम्बेडिंग वैक्टर हैं
   • एक छवि के रूप में
2. कोलबर्ट द्वारा उपयोग किए जाने वाले स्कोरिंग फ़ंक्शन को क्या कहा जाता है?
   • मैक्ससिम
   • कोसाइन पूलिंग
   • सॉफ्टमैक्स क्रॉस-एन्ट्रॉपी
   • किरण खोज
3. What query-time work does ColBERT avoid by precomputing document token vectors?
   • All query encoding and all index access
   • Every comparison between a query token and document token
   • The need to store document representations
   • Joint transformer encoding of every query-document pair, while query encoding and similarity search still run
4. 'देर से बातचीत' में 'देर' से क्या तात्पर्य है?
   • मॉडल को पाइपलाइन में देर से प्रशिक्षित किया जाता है
   • स्वतंत्र एन्कोडिंग के बाद क्वेरी और दस्तावेज़ टोकन के बीच की बातचीत को स्कोरिंग चरण के लिए स्थगित कर दिया जाता है
   • प्रश्न देर रात तक आते हैं
   • तैनाती के बाद दस्तावेज़ जोड़े जाते हैं
5. एकल-वेक्टर सघन पुनर्प्राप्ति के साथ कोलबर्ट किस समस्या का समाधान करता है?
   • यह अनुक्रमित करने में बहुत धीमा है
   • यह GPU पर नहीं चल सकता
   • इसमें प्रत्येक क्वेरी के लिए लेबल किए गए डेटा की आवश्यकता होती है
   • एक पूरे मार्ग को एक वेक्टर में संपीड़ित करने से सूक्ष्म विवरण खो जाता है
6. ColBERTv2 ने मूल की तुलना में क्या उल्लेखनीय सुधार किया?
   • इसने किसी भी एम्बेडिंग की आवश्यकता को हटा दिया
   • यह BERT से नियम-आधारित प्रणाली में बदल गया
   • इसने सूचकांक आकार को बहुत कम करने के लिए अवशिष्ट संपीड़न जोड़ा
   • इसने मैक्ससिम चरण को समाप्त कर दिया
7. A two-token ColBERT query has best document-token similarities of 0.8 and 0.3. What MaxSim score results?
   • 0.8, retaining only the single largest value across the whole query
   • 1.1, the sum of the two per-query-token maxima
   • 0.55, averaging instead of summing the maxima
   • 0.24, multiplying the two maxima
8. Why can a ColBERT document index require more storage than a single-vector dense index?
   • It retains multiple token-level representations for each document
   • It never precomputes any document features
   • It must store all transformer gradients for each document
   • It removes every document token before indexing