Kuis Penyematan Representasi Matryoshka

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa properti inti dari penyematan Matryoshka?
   • Trained prefixes can serve as representations at multiple lengths
   • Setiap dimensi sama pentingnya dan keteraturan tidak menjadi masalah
   • Ini hanya dapat digunakan pada satu panjang tetap
   • Itu harus dikodekan ulang untuk setiap ukuran target
2. Bagaimana model Matryoshka dilatih untuk mencapai hal ini?
   • Dengan melatih model terpisah untuk setiap ukuran
   • Dengan kerugian yang dijumlahkan pada beberapa dimensi awalan bersarang
   • Dengan menerapkan PCA setelah pelatihan standar
   • Dengan menjatuhkan dimensi secara acak pada waktu pengujian saja
3. Apa yang Anda lakukan saat inferensi untuk mendapatkan penyematan yang lebih kecil?
   • Latih kembali model dari awal
   • Jalankan jaringan kompresi terpisah
   • Pangkas ke k dimensi pertama dan normalisasi ulang
   • Rata-ratakan semua dimensi secara bersamaan
4. Which documented API lets a caller request fewer dimensions for text-embedding-3 output?
   • The dimensions parameter
   • A PCA flag in the Matryoshka paper
   • A FastText n-gram option
   • A GloVe context-window setting
5. Apa manfaat praktis utama dari penyematan Matryoshka?
   • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
   • Mereka menghilangkan kebutuhan akan vektor apa pun
   • Mereka menjamin akurasi sempurna di semua ukuran
   • Mereka hanya berfungsi untuk gambar
6. Dalam penyematan Matryoshka, di manakah informasi yang paling diskriminatif terkonsentrasi?
   • Di final, dimensi tambahan
   • Pada dimensi paling awal dan terdepan
   • Sebarkan secara merata tanpa dipesan
   • Hanya di dimensi tengah
7. Which dimensionality schedule is an example of nested Matryoshka prefixes in the guide?
   • Only one fixed size of 512 dimensions
   • A decreasing schedule from 2048 to 1 dimension with separate models
   • 8, 16, 32, and progressively larger prefixes up to 2048 dimensions
   • A sequence of unrelated sizes requiring new model weights each time
8. How does truncating a Matryoshka embedding differ from applying a separate PCA model?
   • It requires retraining a different encoder for every dimension
   • It replaces the original vector with a random projection
   • It can only be done while the model is being trained
   • A shorter prefix can be sliced and renormalized from the same trained embedding without a separate projection model