Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Penyematan Ayat-BERT

Uji cara pembenaman ayat menyokong carian semantik berskala, termasuk perwakilan Matryoshka dan penarafan semula pengekod silang.

Laluan panduan yang berkaitanAyat Bert Embeddings
soalan 1 daripada 8

Apakah masalah teras dengan BERT biasa yang Sentence-BERT selesaikan?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah masalah teras dengan BERT biasa yang Sentence-BERT selesaikan?
    • Membandingkan banyak ayat berpasangan dengan BERT adalah terlalu perlahan
    • BERT tidak boleh membaca lebih daripada satu ayat
    • BERT hanya berfungsi dalam bahasa Inggeris
    • BERT tidak boleh diperhalusi
  2. Apakah seni bina rangkaian yang digunakan oleh Sentence-BERT?
    • Penyahkod autoregresif tunggal
    • Rangkaian siam dengan dua menara BERT berkongsi berat
    • Rangkaian imej konvolusi
    • Ejen pembelajaran pengukuhan
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • Pengumpulan maksimum di atas kepala perhatian
    • Hanya menggunakan aksara pertama
    • Bermaksud pengumpulan di atas benam token
    • Pemilihan rawak satu token
  4. Setelah ayat dibenamkan, bagaimanakah persamaannya biasanya diukur?
    • Menjalankan BERT sekali lagi pada kedua-duanya
    • Mengira watak yang dikongsi
    • Membandingkan saiz fail
    • Persamaan kosinus (hasil titik) antara vektor
  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