Matryoshka 표현 임베딩 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. Matryoshka 임베딩의 핵심 속성은 무엇입니까?
   • Trained prefixes can serve as representations at multiple lengths
   • 모든 차원은 똑같이 중요하며 순서는 중요하지 않습니다.
   • 하나의 고정 길이에만 사용할 수 있습니다.
   • 각 대상 크기마다 다시 인코딩해야 합니다.
2. 이를 달성하기 위해 Matryoshka 모델은 어떻게 훈련됩니까?
   • 각 크기별로 별도의 모델을 학습하여
   • 여러 개의 중첩된 접두사 차원에 걸쳐 손실을 합산한 경우
   • 표준 훈련 후 PCA를 적용하여
   • 테스트 시에만 차원을 무작위로 삭제하여
3. 더 작은 임베딩을 얻기 위해 추론 시 무엇을 합니까?
   • 모델을 처음부터 다시 학습시키세요.
   • 별도의 압축 네트워크 실행
   • 첫 번째 k 차원으로 자르고 다시 정규화
   • 모든 차원의 평균을 구합니다.
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 임베딩의 주요 실제 이점은 무엇입니까?
   • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
   • 벡터가 필요하지 않습니다.
   • 모든 크기에서 완벽한 정확성을 보장합니다.
   • 이미지에만 작동합니다.
6. Matryoshka 임베딩에서 가장 차별적인 정보가 어디에 집중되어 있나요?
   • 마지막 후행 차원에서는
   • 최초의 선행 차원에서는
   • 순서 없이 균일하게 펴짐
   • 중간차원에서만
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