Quiz collegato alla guida · Medio Livello

Quiz su cross-encoder e bi-encoder

Confronta il recupero cross-encoder e bi-encoder, dagli incorporamenti riutilizzabili al riclassificazione sensibile alle query e ai modelli di interazione tardiva.

Percorsi guida correlatiEncoder incrociati e encoder bi
Domanda 1 di 8

Qual è la differenza architetturale che definisce tra un cross-encoder e un bi-encoder?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Qual è la differenza architetturale che definisce tra un cross-encoder e un bi-encoder?
    • Un codificatore incrociato elabora entrambi i testi insieme in modo che i token possano essere presenti su di essi, mentre un codificatore doppio codifica ciascun testo separatamente
    • Un bi-encoder utilizza l'attenzione e un cross-encoder non utilizza l'attenzione
    • Un cross-encoder è più piccolo e più veloce di un bi-encoder
    • Un bi-encoder può gestire solo un testo alla volta
  2. Perché i bi-encoder riescono a gestire in modo efficiente milioni di documenti?
    • Usano meno dati di addestramento
    • Gli incorporamenti dei documenti sono indipendenti dalle query e possono essere precalcolati e archiviati
    • Non usano mai trasformatori
    • Saltano la lenta fase di tokenizzazione
  3. In una tipica pipeline di ricerca di produzione, come vengono combinate le due architetture?
    • Il cross-encoder recupera i candidati, quindi un bi-encoder li riclassifica
    • Entrambi si svolgono in parallelo e viene calcolata la media dei voti
    • Un bi-encoder recupera molti candidati, quindi un cross-encoder riclassifica quelli migliori
    • Ne viene utilizzato solo uno, mai entrambi
  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. Cosa restituisce in genere un bi-encoder per un singolo testo di input?
    • Un singolo vettore di incorporamento di lunghezza fissa
    • Un punteggio di pertinenza tra due testi
    • Un elenco classificato di documenti
    • Una distribuzione di probabilità sul vocabolario
  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
    • Somiglianza del coseno