Quiz collegato alla guida · Medio Livello
Quiz sugli incorporamenti di testo
Esamina i vettori di testo e le rappresentazioni contestuali, inclusi il punteggio del coseno, il recupero denso, il pooling di frasi BERT e i testi codificati in modo indipendente.
Domanda 1 di 8
What does a text embedding supply for a language comparison task?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- What does a text embedding supply for a language comparison task?
- A required spoken audio recording
- A verbatim dictionary entry for every coordinate
- A numerical vector representation of text
- Only a grammar-repair instruction
- In a representation trained to capture synonym similarity, what relationship is desirable for happy and joyful?
- A relatively high similarity under the chosen scoring method
- A mandatory identical vector for every word
- A guarantee they are synonyms in every possible context
- A requirement that neither word can be encoded
- Qual è stato un limite fondamentale dei primi incorporamenti di parole come Word2Vec e GloVe?
- Non è stato possibile memorizzarli su un computer
- Funzionavano solo per le immagini
- Non richiedevano dati di addestramento
- Ogni parola aveva un unico vettore fisso indipendentemente dal contesto, quindi "banca" significava la stessa cosa ovunque
- In che modo gli incorporamenti contestuali moderni migliorano gli incorporamenti di parole statiche?
- Rimuovono tutti i numeri dalla rappresentazione
- Danno a una parola un vettore diverso a seconda della frase circostante
- Incorporano solo la prima lettera di ogni parola
- Rendono identico il vettore di ogni parola
- Which documented default similarity method does Sentence Transformers use for embedding comparison?
- Somiglianza del coseno
- Alphabetical order
- Document creation date
- Character count alone
- What role can compatible text vectors play in a dense-retrieval RAG pipeline?
- Guaranteeing every generated claim is correct
- Eliminating the source corpus
- Ranking candidate passages before they are supplied as context
- Training a new language model on every query
- Which pooling strategy is the stated default in the original Sentence-BERT paper?
- A mandatory maximum over every possible vocabulary item
- Mean pooling of output token vectors
- Concatenation of all corpus documents
- Randomly selecting an unchanged input byte
- Which Sentence-BERT design allows stored sentences to be encoded before a new comparison sentence arrives?
- Mandatory joint processing of every possible pair
- Rebuilding encoder weights for each candidate
- Encoding only the final comparison score
- Independent sentence encoding through its siamese architecture