Chestionar pentru înglobarea reprezentării matrioșka

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Care este proprietatea de bază a unei înglobări Matrioșka?
   • Trained prefixes can serve as representations at multiple lengths
   • Fiecare dimensiune este la fel de importantă și ordinea nu contează
   • Poate fi folosit doar la o lungime fixă
   • Trebuie să fie recodificat pentru fiecare dimensiune țintă
2. Cum este antrenat un model Matryoshka pentru a realiza acest lucru?
   • Antrenând un model separat pentru fiecare dimensiune
   • Cu o pierdere însumată peste mai multe dimensionalități de prefix imbricate
   • Prin aplicarea PCA după formarea standard
   • Prin eliminarea aleatorie a dimensiunilor numai în timpul testării
3. Ce faci la inferență pentru a obține o încorporare mai mică?
   • Reeducați modelul de la zero
   • Rulați o rețea de compresie separată
   • Trunchiați la primele k dimensiuni și renormalizați
   • Mediază toate dimensiunile împreună
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. Care este un avantaj practic principal al înglobărilor Matryoshka?
   • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
   • Ele elimină necesitatea oricăror vectori
   • Acestea garantează acuratețe perfectă la toate dimensiunile
   • Funcționează doar pentru imagini
6. Într-o încorporare Matryoshka, unde este concentrată informațiile cele mai discriminatorii?
   • În final, dimensiunile finale
   • În cele mai vechi dimensiuni, conducătoare
   • Răspândiți uniform, fără comandă
   • Doar în dimensiunile mijlocii
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