가이드 연계 퀴즈 · 중간 레벨

문장-BERT 임베딩 퀴즈

문장 임베딩이 Matryoshka 표현 및 크로스 인코더 재순위를 포함하여 확장 가능한 의미 검색을 지원하는 방법을 테스트합니다.

관련 가이드 경로문장 Bert 임베딩
질문 1 의 8

Sentence-BERT는 일반 BERT의 어떤 핵심 문제를 해결합니까?

모든 질문 미리보기8 질문

퀴즈를 풀면 정답과 설명이 나타납니다.

  1. Sentence-BERT는 일반 BERT의 어떤 핵심 문제를 해결합니까?
    • BERT와 쌍으로 많은 문장을 비교하는 것은 너무 느립니다.
    • BERT는 두 문장 이상을 읽을 수 없습니다.
    • BERT는 영어로만 작동합니다.
    • BERT는 미세 조정할 수 없습니다.
  2. Sentence-BERT는 어떤 네트워크 아키텍처를 사용합니까?
    • 단일 자동회귀 디코더
    • 2개의 가중치 공유 BERT 타워를 갖춘 샴 네트워크
    • 컨벌루션 이미지 네트워크
    • 강화 학습 에이전트
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • 주의 헤드에 대한 최대 풀링
    • 첫 번째 문자만 사용
    • 토큰 임베딩에 대한 평균 풀링
    • 하나의 토큰을 무작위로 선택
  4. 문장이 삽입되면 일반적으로 유사성은 어떻게 측정됩니까?
    • 두 가지 모두에서 BERT를 다시 실행
    • 공유 문자 계산
    • 파일 크기 비교
    • 벡터 간의 코사인 유사성(내적)
  5. What training data did the original Sentence-BERT paper use for NLI fine-tuning?
    • Natural Language Inference examples labeled for entailment, contradiction and neutral relations
    • Only satellite images with land-cover labels
    • Only audio recordings with speaker labels
    • Only source code and bug reports
  6. In a possible semantic-retrieval workflow, what can a Sentence-BERT bi-encoder do?
    • Cross-attend to every query-candidate pair before any encoding
    • Encode a query and candidate texts separately so vector similarity can rank candidates
    • Guarantee retrieval quality for every corpus
    • Replace the need to evaluate relevance
  7. What does Matryoshka Representation Learning enable for an embedding?
    • It guarantees identical quality at every vector size
    • It converts embeddings into labeled text tokens
    • A single representation can be truncated to different dimensions to trade storage or compute for task performance
    • It removes the need for similarity comparisons
  8. In a common hybrid retrieval pipeline, what happens after a bi-encoder retrieves candidate passages?
    • The candidate text is converted into audio
    • The bi-encoder is discarded and no ranking occurs
    • The system averages all documents into one sentence
    • A cross-encoder can score query-passage pairs to rerank the candidates