Quiz dotyczący reprezentacji Matrioszki

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaka jest podstawowa właściwość osadzania Matrioszki?
   • Trained prefixes can serve as representations at multiple lengths
   • Każdy wymiar jest równie ważny, a kolejność nie ma znaczenia
   • Można go używać tylko na jednej stałej długości
   • Należy go ponownie zakodować dla każdego rozmiaru docelowego
2. Jak model Matrioszki jest szkolony, aby to osiągnąć?
   • Trenując osobny model dla każdego rozmiaru
   • Ze stratą zsumowaną po wielu zagnieżdżonych wymiarach przedrostków
   • Stosując PCA po standardowym szkoleniu
   • Losowo usuwając wymiary tylko w czasie testu
3. Co robisz podczas wnioskowania, aby uzyskać mniejsze osadzenie?
   • Wytrenuj model od nowa
   • Uruchom oddzielną sieć kompresyjną
   • Obetnij do pierwszych k wymiarów i ponownie normalizuj
   • Uśrednij wszystkie wymiary razem
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. Jaka jest podstawowa praktyczna korzyść z osadzania Matrioszki?
   • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
   • Eliminują potrzebę stosowania jakichkolwiek wektorów
   • Gwarantują doskonałą dokładność we wszystkich rozmiarach
   • Działają tylko w przypadku obrazów
6. Gdzie w osadzeniu Matrioszki koncentruje się najbardziej wyróżniająca informacja?
   • W ostatecznych, końcowych wymiarach
   • W najwcześniejszych, wiodących wymiarach
   • Rozłóż równomiernie, bez uporządkowania
   • Tylko w środkowych wymiarach
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