Test legat de ghid · Mediu Nivel

Test de încorporare

Explore embedding geometry and cosine similarity, with vector analogies, approximate search, learned bias, and normalized distance calculations.

Căi de ghidare aferenteÎnglobări
Întrebare 1 de 8

What is an embedding in the numerical representation sense used here?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. What is an embedding in the numerical representation sense used here?
    • A dictionary definition that must be stored verbatim
    • A required compression format for image files
    • A vector representing an item for a model or comparison task
    • An exact database row identifier only
  2. What can closeness in a trained semantic embedding space indicate?
    • Similarity learned under that model’s objective
    • A guarantee that two statements are equally true
    • An identical byte sequence in every case
    • A universal relation independent of training
  3. Ce valoare este folosită în mod obișnuit pentru a compara două înglobări?
    • Diferența de dimensiune a fișierului
    • Ordonare alfabetică
    • Număr de cuvinte
    • Asemănarea cosinusului
  4. What tradeoff can an approximate embedding index such as HNSW introduce?
    • A guarantee of complete exact retrieval in every configuration
    • Faster search with possible missed exact nearest neighbors
    • A required change of every vector to a word definition
    • Automatic removal of all training-data bias
  5. Ce demonstrează exemplul clasic „rege – bărbat + femeie ≈ regină” despre încorporare?
    • Ei pot capta relații prin aritmetică vectorială
    • Ele stochează definiții exacte ale cuvintelor
    • Ele funcționează doar în condiții de redevențe
    • Ele sunt aleatorii și lipsite de sens
  6. Care este un risc real atunci când utilizați încorporații?
    • Ele nu pot fi stocate într-o bază de date
    • Lucrează doar în engleză
    • Ei pot moșteni și reflecta părtiniri prezente în datele lor de antrenament
    • Ei fac toate căutările numai cu potrivire exactă
  7. Two unit-length embedding vectors have dot product 0.8. What is their squared Euclidean distance?
    • 0,2
    • 0.4
    • 0.8
    • 1.6
  8. When does an inner-product score equal cosine similarity for two nonzero embedding vectors?
    • Whenever their dimensions are equal
    • Whenever they came from two unrelated model families
    • Only when their coordinates are all zero
    • When both vectors have been normalized to unit length