Útmutatóhoz kapcsolódó kvíz · Kemény Szint

ColBERT és Multi-Vector Retrieval Quiz

Study ColBERT's multi-vector ranking, candidate reranking, ColPali document-page retrieval, and how ColBERTv2 compresses token representations.

Kapcsolódó útmutató utakColbert és Multi Vector Retrieval
kérdés 1 -ból 8

Hogyan ábrázolja a ColBERT egy dokumentumot?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Hogyan ábrázolja a ColBERT egy dokumentumot?
    • Ahány tokenenkénti kontextuális vektor
    • Egyetlen sűrű vektorként
    • Mivel a kulcsszó ritka zsákja számít
    • Csak nyers szöveges karakterláncként
  2. Milyen műveletet használ a ColBERT a lekérdezés-dokumentum relevanciájának pontozására?
    • Két egyedi vektor koszinusza
    • MaxSim: az egyes lekérdezési jogkivonatok összege, amely a legjobban illeszkedik bármely dokumentum tokenhez
    • Keresztentrópia a teljes szókincsben
    • BM25 kifejezés gyakorisága
  3. Miért gyorsabb a ColBERT, mint egy keresztkódoló skálán?
    • Kisebb szókincset használ
    • Teljesen figyelmen kívül hagyja a lekérdezést
    • A dokumentumjogkivonat-beágyazások előre kiszámítva és offline indexelve vannak
    • Minden dokumentumnak csak az első szavát dolgozza fel
  4. Milyen problémát old meg a ColBERT az egyvektoros sűrű retrievereknél?
    • Túl lassúak az indexeléshez
    • Nem használhatnak neurális hálózatokat
    • Nem igényelnek képzési adatokat
    • Egy vektorba tömörítve elveszítik a finomszemcsés, token szintű részleteket
  5. Milyen kulcsfontosságú fejlesztést vezetett be a ColBERTv2?
    • Maradék tömörítés, amely nagymértékben csökkenti az index méretét
    • Teljesen eltávolította a BERT-et
    • Egyvektoros kódolásra váltott
    • Csak képeken működik
  6. Mire alkalmazza a ColPali a ColBERT-stílusú késői interakciót?
    • Hanghullámformák
    • Dokumentumoldalak képfoltjai, például PDF-ek
    • Csak egyetlen kulcsszó
    • Adatbázis tábla sorai
  7. In a two-stage search system, what role can ColBERT play after a fast first-stage retriever?
    • Generate the source documents from scratch
    • Replace the query with a document title
    • Rerank the candidate passages using contextual token-level matching
    • Discard every candidate before scoring
  8. What does ColBERTv2's residual compression store for a token vector?
    • Only the raw document text with no vector data
    • A full copy of the language model for each token
    • One shared vector for the entire document
    • A centroid code together with a compact residual representation