ColBERT 및 다중 벡터 검색 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. ColBERT는 문서를 어떻게 표현하나요?
   • 토큰별 상황별 벡터 수만큼
   • 단일 밀집 벡터로
   • 키워드 수가 희박한 가방으로
   • 원시 텍스트 문자열로만
2. ColBERT는 쿼리 문서 관련성을 평가하기 위해 어떤 작업을 사용합니까?
   • 두 개의 단일 벡터의 코사인
   • MaxSim: 모든 문서 토큰과 가장 일치하는 각 쿼리 토큰의 합계
   • 전체 어휘에 대한 교차 엔트로피
   • BM25 용어 빈도
3. ColBERT가 대규모 크로스 인코더보다 빠른 이유는 무엇입니까?
   • 더 작은 어휘를 사용합니다.
   • 쿼리를 완전히 무시합니다.
   • 문서 토큰 임베딩은 미리 계산되어 오프라인으로 인덱싱됩니다.
   • 각 문서의 첫 번째 단어만 처리합니다.
4. ColBERT는 단일 벡터 밀집 검색기의 어떤 문제를 해결합니까?
   • 색인을 생성하기에는 너무 느립니다.
   • 신경망을 사용할 수 없습니다.
   • 훈련 데이터가 필요하지 않습니다.
   • 하나의 벡터로 압축하여 세분화된 토큰 수준의 세부 정보를 잃습니다.
5. ColBERTv2는 어떤 주요 개선 사항을 도입했나요?
   • 인덱스 크기를 크게 줄이는 잔여 압축
   • BERT를 완전히 제거했습니다.
   • 단일 벡터 인코딩으로 전환되었습니다.
   • 이미지에서만 작동합니다.
6. ColPali는 ColBERT 스타일의 후기 상호 작용을 무엇에 적용합니까?
   • 오디오 파형
   • PDF와 같은 문서 페이지의 이미지 패치
   • 단일 키워드만
   • 데이터베이스 테이블 행
7. In a two-stage search system, what role can ColBERT play after a fast first-stage retriever?
   • Generate the source documents from scratch
   • Replace the query with a document title
   • Rerank the candidate passages using contextual token-level matching
   • Discard every candidate before scoring
8. What does ColBERTv2's residual compression store for a token vector?
   • Only the raw document text with no vector data
   • A full copy of the language model for each token
   • One shared vector for the entire document
   • A centroid code together with a compact residual representation