Kuiz Cross-Encoders vs Bi-Encoders

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Apakah perbezaan seni bina yang menentukan antara pengekod silang dan pengekod bi?
   • Pengekod silang memproses kedua-dua teks bersama-sama supaya token boleh hadir merentasi mereka, manakala pengekod dwi mengekod setiap teks secara berasingan
   • Pengekod dwi menggunakan perhatian dan pengekod silang tidak menggunakan perhatian
   • Pengekod silang adalah lebih kecil dan lebih pantas daripada pengekod dwi
   • Pengekod dwi hanya boleh mengendalikan satu teks pada satu masa
2. Mengapakah bi-pengekod menskalakan kepada jutaan dokumen dengan cekap?
   • Mereka menggunakan kurang data latihan
   • Pembenaman dokumen adalah bebas pertanyaan dan boleh diprakira dan disimpan
   • Mereka tidak pernah menggunakan transformer
   • Mereka melangkau langkah tokenisasi perlahan
3. Dalam saluran carian pengeluaran biasa, bagaimanakah kedua-dua seni bina digabungkan?
   • Pengekod silang mengambil semula calon, kemudian pengekod dwi menyusun semula mereka
   • Kedua-duanya berjalan selari dan undian dipuratakan
   • Pengekod dwi mendapatkan semula banyak calon, kemudian pengekod silang menyusun semula calon teratas
   • Hanya satu yang pernah digunakan, tidak pernah kedua-duanya
4. How does a late-interaction model such as ColBERT combine token-level query and document representations at scoring time?
   • It averages both texts into a single vector before any interaction
   • It concatenates raw audio waveforms and applies a vocoder
   • It ranks documents only by their character count
   • It compares query-token vectors with document-token vectors using a MaxSim-style aggregation
5. Apakah yang biasanya dikeluarkan oleh pengekod dwi untuk teks input tunggal?
   • Satu vektor benam panjang tetap
   • Skor perkaitan antara dua teks
   • Senarai berperingkat dokumen
   • Taburan kebarangkalian ke atas perbendaharaan kata
6. After jointly processing a query and candidate, what does a cross-encoder produce?
   • A reusable document vector computed independently of the query
   • A relevance score for that specific query-candidate pair
   • A separate token vector for every item in the full corpus
   • A guarantee that the top result is correct
7. What kind of representation does a late-interaction model such as ColBERT retain for a text?
   • Only one global label for the whole corpus
   • A decoded audio waveform
   • A vector representation for each token
   • A complete copy of the cross-encoder’s pairwise scores
8. What similarity function do Sentence Transformers examples commonly use for comparing normalized bi-encoder embeddings?
   • Edit distance over raw audio samples
   • A pixel-wise image loss
   • A speech-recognition word error rate
   • Persamaan kosinus