Gids-gekoppelde quiz · Middelmatig Niveau

Matryoshka-representatie-inbeddingsquiz

Test hoe Matryoshka-training het insluiten van voorvoegsels bruikbaar maakt in meerdere dimensies en adaptieve opslag- en ophaalkeuzes ondersteunt.

Vraag 1 van 8

Wat is de kerneigenschap van een Matryoshka-inbedding?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is de kerneigenschap van een Matryoshka-inbedding?
    • Trained prefixes can serve as representations at multiple lengths
    • Elke dimensie is even belangrijk en de volgorde doet er niet toe
    • Het kan slechts op één vaste lengte worden gebruikt
    • Het moet voor elke doelgrootte opnieuw worden gecodeerd
  2. Hoe wordt een Matryoshka-model getraind om dit te bereiken?
    • Door voor elke maat een apart model te trainen
    • Met een verlies opgeteld over meerdere geneste prefix-dimensioniteiten
    • Door PCA toe te passen na de standaardtraining
    • Door afmetingen alleen tijdens de test willekeurig te laten vallen
  3. Wat doe je bij gevolgtrekking om een kleinere inbedding te krijgen?
    • Train het model helemaal opnieuw
    • Voer een afzonderlijk compressienetwerk uit
    • Afkappen tot de eerste k-dimensies en opnieuw normaliseren
    • Het gemiddelde van alle dimensies samen
  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. Wat is een primair praktisch voordeel van Matryoshka-inbedding?
    • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
    • Ze elimineren de noodzaak van vectoren
    • Ze garanderen een perfecte nauwkeurigheid bij alle maten
    • Ze werken alleen voor afbeeldingen
  6. Waar is bij een Matryoshka-inbedding de meest onderscheidende informatie geconcentreerd?
    • In de uiteindelijke, volgende afmetingen
    • In de vroegste, leidende dimensies
    • Gelijkmatig verspreid zonder bestelling
    • Alleen in de middelste afmetingen
  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