Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący osadzania zdań-BERT

Przetestuj, jak osadzanie zdań obsługuje skalowalne wyszukiwanie semantyczne, w tym reprezentacje Matrioszki i zmianę rankingu między koderami.

Powiązane ścieżki prowadząceOsadzanie zdań Berta
Pytanie 1 z 8

Jaki podstawowy problem zwykłego BERT rozwiązuje Sentence-BERT?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jaki podstawowy problem zwykłego BERT rozwiązuje Sentence-BERT?
    • Porównywanie wielu zdań parami z BERT-em jest zdecydowanie za wolne
    • BERT nie potrafi przeczytać więcej niż jednego zdania
    • BERT działa tylko w języku angielskim
    • BERT nie może być dostrojony
  2. Z jakiej architektury sieci korzysta Sentence-BERT?
    • Pojedynczy dekoder autoregresyjny
    • Sieć syjamska z dwiema wieżami BERT z podziałem obciążenia
    • Splotowa sieć obrazów
    • Środek uczący się przez wzmacnianie
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • Maksymalne skupienie uwagi nad głowami
    • Używając tylko pierwszego znaku
    • Oznacza łączenie osadzonych tokenów
    • Losowy wybór jednego tokena
  4. Jak zwykle mierzy się ich podobieństwo po osadzeniu zdań?
    • Uruchom ponownie BERT na obu
    • Liczenie wspólnych znaków
    • Porównywanie rozmiarów plików
    • Podobieństwo cosinusowe (iloczyn skalarny) między wektorami
  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