Questionário sobre incorporações de texto

As respostas e explicações aparecem conforme você responde ao teste.

1. What does a text embedding supply for a language comparison task?
   • A required spoken audio recording
   • A verbatim dictionary entry for every coordinate
   • A numerical vector representation of text
   • Only a grammar-repair instruction
2. In a representation trained to capture synonym similarity, what relationship is desirable for happy and joyful?
   • A relatively high similarity under the chosen scoring method
   • A mandatory identical vector for every word
   • A guarantee they are synonyms in every possible context
   • A requirement that neither word can be encoded
3. Qual foi a principal limitação dos primeiros embeddings de palavras, como Word2Vec e GloVe?
   • Eles não poderiam ser armazenados em um computador
   • Eles só funcionavam para imagens
   • Eles não exigiram dados de treinamento
   • Cada palavra tinha um único vetor fixo, independentemente do contexto, então 'banco' significava a mesma coisa em todos os lugares
4. Como os embeddings contextuais modernos melhoram os embeddings de palavras estáticas?
   • Eles removem todos os números da representação
   • Eles dão a uma palavra um vetor diferente dependendo da frase que a rodeia
   • Eles incorporam apenas a primeira letra de cada palavra
   • Eles tornam o vetor de cada palavra idêntico
5. Which documented default similarity method does Sentence Transformers use for embedding comparison?
   • Semelhança de cosseno
   • Alphabetical order
   • Document creation date
   • Character count alone
6. What role can compatible text vectors play in a dense-retrieval RAG pipeline?
   • Guaranteeing every generated claim is correct
   • Eliminating the source corpus
   • Ranking candidate passages before they are supplied as context
   • Training a new language model on every query
7. Which pooling strategy is the stated default in the original Sentence-BERT paper?
   • A mandatory maximum over every possible vocabulary item
   • Mean pooling of output token vectors
   • Concatenation of all corpus documents
   • Randomly selecting an unchanged input byte
8. Which Sentence-BERT design allows stored sentences to be encoded before a new comparison sentence arrives?
   • Mandatory joint processing of every possible pair
   • Rebuilding encoder weights for each candidate
   • Encoding only the final comparison score
   • Independent sentence encoding through its siamese architecture