Викторина, связанная с руководством · Средний Уровень

Викторина по встраиваниям

Изучите встраиваемую геометрию и косинусное сходство с помощью векторных аналогий, приближенного поиска, изученного смещения и вычислений нормализованных расстояний.

Связанные направляющие путиВложения
Вопрос 1 из 8

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

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  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. Какая метрика обычно используется для сравнения двух вложений?
    • Разница в размере файла
    • Алфавитный порядок
    • Количество слов
    • Косинусное подобие
  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. Что демонстрирует классический пример «король — мужчина + женщина ≈ королева» о вложениях?
    • Они могут фиксировать отношения с помощью векторной арифметики.
    • Они хранят точные определения слов.
    • Они работают только на условиях роялти
    • Они случайны и бессмысленны
  6. Что представляет собой реальный риск при использовании вложений?
    • Их нельзя хранить в базе данных.
    • Они работают только на английском языке
    • Они могут наследовать и отражать предвзятости, присутствующие в их обучающих данных.
    • Они выполняют все поисковые запросы только с точным соответствием
  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