Kuis terkait panduan · Sedang Tingkat

Kuis Penyematan Kalimat-BERT

Uji bagaimana penyematan kalimat mendukung penelusuran semantik yang skalabel, termasuk representasi Matryoshka dan pemeringkatan lintas encoder.

Jalur panduan terkaitPenyematan Kalimat Bert
Pertanyaan 1 dari 8

Masalah inti apa dengan BERT biasa yang diselesaikan oleh Sentence-BERT?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Masalah inti apa dengan BERT biasa yang diselesaikan oleh Sentence-BERT?
    • Membandingkan banyak kalimat secara berpasangan dengan BERT terlalu lambat
    • BERT tidak bisa membaca lebih dari satu kalimat
    • BERT hanya berfungsi dalam bahasa Inggris
    • BERT tidak dapat disesuaikan
  2. Arsitektur jaringan apa yang digunakan Sentence-BERT?
    • Dekoder autoregresif tunggal
    • Jaringan siam dengan dua menara BERT yang berbagi beban
    • Jaringan gambar konvolusional
    • Agen pembelajaran penguatan
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • Max mengumpulkan perhatian
    • Hanya menggunakan karakter pertama
    • Berarti mengumpulkan penyematan token
    • Pilihan acak dari satu token
  4. Setelah kalimat disisipkan, bagaimana biasanya kesamaannya diukur?
    • Menjalankan BERT lagi pada keduanya
    • Menghitung karakter bersama
    • Membandingkan ukuran file
    • Kesamaan kosinus (perkalian titik) antar vektor
  5. What training data did the original Sentence-BERT paper use for NLI fine-tuning?
    • Natural Language Inference examples labeled for entailment, contradiction and neutral relations
    • Only satellite images with land-cover labels
    • Only audio recordings with speaker labels
    • Only source code and bug reports
  6. In a possible semantic-retrieval workflow, what can a Sentence-BERT bi-encoder do?
    • Cross-attend to every query-candidate pair before any encoding
    • Encode a query and candidate texts separately so vector similarity can rank candidates
    • Guarantee retrieval quality for every corpus
    • Replace the need to evaluate relevance
  7. What does Matryoshka Representation Learning enable for an embedding?
    • It guarantees identical quality at every vector size
    • It converts embeddings into labeled text tokens
    • A single representation can be truncated to different dimensions to trade storage or compute for task performance
    • It removes the need for similarity comparisons
  8. In a common hybrid retrieval pipeline, what happens after a bi-encoder retrieves candidate passages?
    • The candidate text is converted into audio
    • The bi-encoder is discarded and no ranking occurs
    • The system averages all documents into one sentence
    • A cross-encoder can score query-passage pairs to rerank the candidates