Útmutatóhoz kapcsolódó kvíz · Közepes Szint
ColBERT késői interakciós visszakeresési kvíz
Test ColBERT token vectors, independent encoding, MaxSim scoring, query-time work, and the storage costs addressed by ColBERTv2 compression.
kérdés 1 -ból 8
Hogyan ábrázol a ColBERT egy lekérdezést vagy dokumentumot?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Hogyan ábrázol a ColBERT egy lekérdezést vagy dokumentumot?
- Egyetlen átlagolt beágyazási vektorként
- Mivel csak a nyers kulcsszó számít
- Ahány token szintű kontextuális beágyazási vektor
- Képként
- Hogy hívják a ColBERT által használt pontozási függvényt?
- MaxSim
- Koszinusz pooling
- Softmax keresztentrópia
- Sugárkeresés
- 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
- Mire utal a „késői” szó a „késői interakcióban”?
- A modellt későn képezik ki
- A lekérdezés és a dokumentum tokenek közötti interakció a független kódolás után a pontozási lépésre halasztva
- A lekérdezések késő este érkeznek
- A dokumentumok a telepítés után kerülnek hozzáadásra
- Milyen problémát old meg a ColBERT az egyvektoros sűrű visszakereséssel?
- Túl lassú az indexelés
- GPU-n nem fut
- Minden lekérdezéshez címkézett adatokra van szükség
- Egy teljes szövegrészlet egyetlen vektorba tömörítése elveszíti a finomszemcsés részleteket
- Mit javított a ColBERTv2 az eredetihez képest?
- Eltávolította a beágyazások szükségességét
- A BERT-ről szabályalapú rendszerre váltott
- Hozzáadott maradék tömörítést, hogy nagymértékben csökkentse az index méretét
- Kiküszöbölte a MaxSim lépést
- 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
- 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