Kuiz Penyertaan Perwakilan Matryoshka

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Apakah sifat teras pembenaman Matryoshka?
   • Trained prefixes can serve as representations at multiple lengths
   • Setiap dimensi adalah sama penting dan susunan tidak penting
   • Ia hanya boleh digunakan pada satu panjang tetap
   • Ia mesti dikodkan semula untuk setiap saiz sasaran
2. Bagaimanakah model Matryoshka dilatih untuk mencapai ini?
   • Dengan melatih model berasingan untuk setiap saiz
   • Dengan kerugian yang dijumlahkan ke atas berbilang dimensi awalan bersarang
   • Dengan menggunakan PCA selepas latihan standard
   • Dengan menjatuhkan dimensi secara rawak pada masa ujian sahaja
3. Apakah yang anda lakukan pada inferens untuk mendapatkan pembenaman yang lebih kecil?
   • Latih semula model dari awal
   • Jalankan rangkaian mampatan berasingan
   • Potong ke dimensi k pertama dan normalkan semula
   • Purata semua dimensi bersama-sama
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. Apakah faedah praktikal utama pembenaman Matryoshka?
   • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
   • Mereka menghapuskan keperluan untuk sebarang vektor
   • Mereka menjamin ketepatan yang sempurna pada semua saiz
   • Mereka hanya berfungsi untuk imej
6. Dalam pembenaman Matryoshka, di manakah maklumat yang paling diskriminasi tertumpu?
   • Dalam dimensi akhir, mengekori
   • Dalam dimensi terawal, terkemuka
   • Sebarkan secara seragam tanpa pesanan
   • Hanya dalam dimensi pertengahan
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