Gids-gekoppelde quiz · Middelmatig Niveau
Zin-BERT Inbeddingsquiz
Test hoe zinsinsluitingen schaalbare semantische zoekopdrachten ondersteunen, inclusief Matryoshka-representaties en herrangschikking van cross-encoder.
Vraag 1 van 8
Welk kernprobleem met gewone BERT lost Sentence-BERT op?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Welk kernprobleem met gewone BERT lost Sentence-BERT op?
- Het paarsgewijs vergelijken van veel zinnen met BERT is veel te traag
- BERT kan niet meer dan één zin lezen
- BERT werkt alleen in het Engels
- BERT kan niet worden verfijnd
- Welke netwerkarchitectuur gebruikt Sentence-BERT?
- Een enkele autoregressieve decoder
- Een Siamees netwerk met twee BERT-torens met gewichtsverdeling
- Een convolutioneel beeldnetwerk
- Een versterkend leermiddel
- Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
- Max bundelt de aandachtshoofden
- Alleen het eerste teken gebruiken
- Beteken het bundelen van de token-inbedding
- Willekeurige selectie van één token
- Hoe wordt hun gelijkenis doorgaans gemeten als zinnen eenmaal zijn ingebed?
- BERT opnieuw uitvoeren op beide
- Gedeelde karakters tellen
- Bestandsgroottes vergelijken
- Cosinus-overeenkomst (een puntproduct) tussen vectoren
- 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
- 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
- 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
- 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