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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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