Quiz collegato alla guida · Medio Livello

Quiz sugli incorporamenti di frasi-BERT

Testa come gli incorporamenti di frasi supportano la ricerca semantica scalabile, comprese le rappresentazioni di matrioska e il riclassificazione tra codificatori.

Percorsi guida correlatiFrase Bert Embeddings
Domanda 1 di 8

Quale problema fondamentale con il semplice BERT risolve Sentence-BERT?

Anteprima di ogni domanda8 domande

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

  1. Quale problema fondamentale con il semplice BERT risolve Sentence-BERT?
    • Confrontare molte frasi a coppie con BERT è troppo lento
    • BERT non può leggere più di una frase
    • BERT funziona solo in inglese
    • BERT non può essere messo a punto
  2. Quale architettura di rete utilizza Sentence-BERT?
    • Un unico decoder autoregressivo
    • Una rete siamese con due torri BERT per la condivisione del peso
    • Una rete di immagini convoluzionali
    • Un agente di apprendimento per rinforzo
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • Max pooling sulle teste di attenzione
    • Utilizzando solo il primo carattere
    • Significa raggruppare gli incorporamenti di token
    • Selezione casuale di un token
  4. Una volta incorporate le frasi, come viene generalmente misurata la loro somiglianza?
    • Eseguire di nuovo BERT su entrambi
    • Conteggio dei caratteri condivisi
    • Confronto delle dimensioni dei file
    • Somiglianza del coseno (un prodotto scalare) tra vettori
  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