マトリョーシカ表現の埋め込みクイズ

クイズに答えると、答えと解説が表示されます。

1. マトリョーシカ埋め込みの中核となるプロパティは何ですか?
   • Trained prefixes can serve as representations at multiple lengths
   • すべての次元は同様に重要であり、順序は重要ではありません
   • 1 つの固定長でのみ使用できます
   • ターゲットサイズごとに再エンコードする必要がある
2. これを達成するためにマトリョーシカ モデルはどのようにトレーニングされるのでしょうか?
   • サイズごとに個別のモデルをトレーニングすることによって
   • 複数のネストされたプレフィックス次元にわたって損失が合計される場合
   • 標準トレーニング後に PCA を適用することで
   • テスト時のみランダムにディメンションをドロップすることにより
3. より小さな埋め込みを得るために推論時に何をしますか?
   • モデルを最初から再トレーニングする
   • 別の圧縮ネットワークを実行する
   • 最初の k 次元まで切り捨てて再正規化する
   • すべての寸法を合わせて平均します
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. Matryoshka 埋め込みの主な実用的な利点は何ですか?
   • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
   • ベクターの必要性を排除します
   • あらゆるサイズで完璧な精度を保証します
   • 画像に対してのみ機能します
6. マトリョーシカの埋め込みにおいて、最も識別的な情報が集中しているのはどこでしょうか?
   • 最終的には、末尾の次元で
   • 初期の主要な次元では
   • 注文なしで均一にスプレッド
   • 中次元のみ
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