Gids-gekoppelde quiz · Middelmatig Niveau

Zin-BERT Inbeddingsquiz

Test hoe zinsinsluitingen schaalbare semantische zoekopdrachten ondersteunen, inclusief Matryoshka-representaties en herrangschikking van cross-encoder.

Gerelateerde gidspadenZin Bert Embeddings
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.

  1. 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
  2. Welke netwerkarchitectuur gebruikt Sentence-BERT?
    • Een enkele autoregressieve decoder
    • Een Siamees netwerk met twee BERT-torens met gewichtsverdeling
    • Een convolutioneel beeldnetwerk
    • Een versterkend leermiddel
  3. 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
  4. 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
  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