Questionário sobre incorporações de representação Matryoshka

As respostas e explicações aparecem conforme você responde ao teste.

1. Qual é a propriedade principal de uma incorporação Matryoshka?
   • Trained prefixes can serve as representations at multiple lengths
   • Cada dimensão é igualmente importante e a ordem não importa
   • Só pode ser usado em um comprimento fixo
   • Deve ser recodificado para cada tamanho de destino
2. Como uma modelo Matryoshka é treinada para conseguir isso?
   • Treinando um modelo separado para cada tamanho
   • Com uma perda somada a várias dimensionalidades de prefixo aninhadas
   • Aplicando PCA após treinamento padrão
   • Eliminando dimensões aleatoriamente apenas no momento do teste
3. O que você faz na inferência para obter uma incorporação menor?
   • Treine novamente o modelo do zero
   • Execute uma rede de compactação separada
   • Truncar para as primeiras k dimensões e renormalizar
   • Média de todas as dimensões juntas
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. Qual é o principal benefício prático dos embutimentos Matryoshka?
   • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
   • Eles eliminam a necessidade de quaisquer vetores
   • Eles garantem precisão perfeita em todos os tamanhos
   • Eles só funcionam para imagens
6. Numa incorporação Matryoshka, onde está concentrada a informação mais discriminativa?
   • No final, dimensões finais
   • Nas primeiras dimensões principais
   • Espalhe uniformemente sem ordem
   • Somente nas dimensões intermediárias
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