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.

  1. 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
  2. Hogy hívják a ColBERT által használt pontozási függvényt?
    • MaxSim
    • Koszinusz pooling
    • Softmax keresztentrópia
    • Sugárkeresés
  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. 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
  5. 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
  6. 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
  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