Quiz collegato alla guida · Medio Livello

Quiz sugli incorporamenti della rappresentazione della matrioska

Testa come l'addestramento di Matrioska rende utile l'incorporamento dei prefissi su più dimensioni e supporta le scelte adattive di archiviazione e recupero.

Domanda 1 di 8

Qual è la proprietà principale dell'incorporamento di una matrioska?

Anteprima di ogni domanda8 domande

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

  1. Qual è la proprietà principale dell'incorporamento di una matrioska?
    • Trained prefixes can serve as representations at multiple lengths
    • Ogni dimensione è ugualmente importante e l'ordine non ha importanza
    • Può essere utilizzato solo a una lunghezza fissa
    • Deve essere ricodificato per ciascuna dimensione di destinazione
  2. Come viene addestrato un modello di matrioska per raggiungere questo obiettivo?
    • Addestrando un modello separato per ciascuna taglia
    • Con una perdita sommata su più dimensionalità del prefisso annidato
    • Applicando PCA dopo la formazione standard
    • Rilasciando casualmente le dimensioni solo al momento del test
  3. Cosa fai durante l'inferenza per ottenere un incorporamento più piccolo?
    • Riqualificare il modello da zero
    • Eseguire una rete di compressione separata
    • Troncare alle prime k dimensioni e rinormalizzare
    • Media tutte le dimensioni insieme
  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. Qual è il principale vantaggio pratico degli incorporamenti di matrioska?
    • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
    • Eliminano la necessità di qualsiasi vettore
    • Garantiscono una precisione perfetta per tutte le dimensioni
    • Funzionano solo per le immagini
  6. In un incorporamento di Matrioska, dove si concentrano le informazioni più discriminanti?
    • Nelle dimensioni finali, finali
    • Nelle prime dimensioni principali
    • Distribuire uniformemente senza ordinamento
    • Solo nelle dimensioni medie
  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