Test legat de ghid · Mediu Nivel

Testul de încorporare a propoziției-BERT

Testați modul în care înglobările de propoziții acceptă căutarea semantică scalabilă, inclusiv reprezentările Matryoshka și reclasificarea cu codificatori încrucișați.

Căi de ghidare aferentePropoziție Bert Embeddings
Întrebare 1 de 8

Ce problemă de bază cu BERT simplu rezolvă Sentence-BERT?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce problemă de bază cu BERT simplu rezolvă Sentence-BERT?
    • Compararea multor propoziții în perechi cu BERT este mult prea lentă
    • BERT nu poate citi mai mult de o propoziție
    • BERT funcționează doar în engleză
    • BERT nu poate fi reglat fin
  2. Ce arhitectură de rețea folosește Sentence-BERT?
    • Un singur decodor autoregresiv
    • O rețea siameză cu două turnuri BERT care împart greutatea
    • O rețea de imagini convoluționale
    • Un agent de întărire-învățare
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • Adunarea maximă peste capetele de atenție
    • Folosind doar primul caracter
    • Înseamnă punerea în comun peste înglobările de jetoane
    • Selectarea aleatorie a unui jeton
  4. Odată ce propozițiile sunt încorporate, cum se măsoară de obicei asemănarea lor?
    • Rulând din nou BERT pe ambele
    • Numărarea caracterelor comune
    • Compararea dimensiunilor fișierelor
    • Asemănarea cosinusului (un produs punctual) între vectori
  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