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.

Percorsi guida correlatiIncorporamenti di testo
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. Which documented default similarity method does Sentence Transformers use for embedding comparison?
    • Somiglianza del coseno
    • Alphabetical order
    • Document creation date
    • Character count alone
  6. 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
  7. 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
  8. 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