Kuis Lintas-Encoder vs Bi-Encoder

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa perbedaan arsitektural antara cross-encoder dan bi-encoder?
   • Cross-encoder memproses kedua teks secara bersamaan sehingga token dapat hadir di keduanya, sementara bi-encoder mengkodekan setiap teks secara terpisah
   • Bi-encoder menggunakan perhatian dan cross-encoder tidak menggunakan perhatian
   • Cross-encoder lebih kecil dan lebih cepat daripada bi-encoder
   • Bi-encoder hanya dapat menangani satu teks dalam satu waktu
2. Mengapa bi-encoder menskalakan jutaan dokumen secara efisien?
   • Mereka menggunakan lebih sedikit data pelatihan
   • Penyematan dokumen tidak bergantung pada kueri dan dapat dihitung sebelumnya serta disimpan
   • Mereka tidak pernah menggunakan trafo
   • Mereka melewatkan langkah tokenisasi yang lambat
3. Dalam alur pencarian produksi pada umumnya, bagaimana kedua arsitektur tersebut digabungkan?
   • Cross-encoder mengambil kandidat, lalu bi-encoder memeringkatnya
   • Keduanya dijalankan secara paralel dan suara dirata-ratakan
   • Bi-encoder mengambil banyak kandidat, lalu cross-encoder memberi peringkat ulang pada kandidat teratas
   • Hanya satu yang pernah digunakan, tidak pernah keduanya
4. How does a late-interaction model such as ColBERT combine token-level query and document representations at scoring time?
   • It averages both texts into a single vector before any interaction
   • It concatenates raw audio waveforms and applies a vocoder
   • It ranks documents only by their character count
   • It compares query-token vectors with document-token vectors using a MaxSim-style aggregation
5. Apa yang biasanya dihasilkan oleh bi-encoder untuk satu teks masukan?
   • Sebuah vektor penyematan dengan panjang tetap
   • Skor relevansi antara dua teks
   • Daftar peringkat dokumen
   • Distribusi probabilitas atas kosakata
6. After jointly processing a query and candidate, what does a cross-encoder produce?
   • A reusable document vector computed independently of the query
   • A relevance score for that specific query-candidate pair
   • A separate token vector for every item in the full corpus
   • A guarantee that the top result is correct
7. What kind of representation does a late-interaction model such as ColBERT retain for a text?
   • Only one global label for the whole corpus
   • A decoded audio waveform
   • A vector representation for each token
   • A complete copy of the cross-encoder’s pairwise scores
8. What similarity function do Sentence Transformers examples commonly use for comparing normalized bi-encoder embeddings?
   • Edit distance over raw audio samples
   • A pixel-wise image loss
   • A speech-recognition word error rate
   • Kesamaan kosinus