Викторина по встраиванию представлений матрешек

Ответы и пояснения появляются по мере прохождения теста.

1. Каково основное свойство вложения матрешки?
   • Обученные префиксы могут служить представлениями разной длины.
   • Все измерения одинаково важны, и порядок не имеет значения.
   • Его можно использовать только на одной фиксированной длине.
   • Его необходимо перекодировать для каждого целевого размера.
2. Как модель матрешки обучается для достижения этой цели?
   • Путем обучения отдельной модели для каждого размера
   • С потерями, суммируемыми по нескольким вложенным префиксным размерностям.
   • Применяя PCA после стандартного обучения
   • Путем случайного удаления размеров только во время тестирования
3. Что вы делаете при выводе, чтобы получить меньшее вложение?
   • Переобучить модель с нуля
   • Запустите отдельную сеть сжатия
   • Усечь до первых k измерений и перенормировать
   • Усредните все размеры вместе
4. Какой документированный API позволяет вызывающей стороне запрашивать меньше измерений для вывода text-embedding-3?
   • Параметр размеров
   • Флаг PCA в статье «Матрешка».
   • Вариант n-граммы FastText
   • Настройка контекстного окна GloVe
5. Какова основная практическая польза от вложений Матрешки?
   • Меньшее количество координат может сократить объем работы по хранению и сравнению; эталонное качество и стоимость поиска
   • Они устраняют необходимость в каких-либо векторах
   • Они гарантируют идеальную точность для всех размеров.
   • Они работают только для изображений
6. Где во вложении «матрешки» сосредоточена наиболее различительная информация?
   • В окончательных конечных размерах
   • В самых ранних ведущих измерениях
   • Распространение равномерно, без упорядочения
   • Только в средних измерениях
7. Какая таблица размерностей является примером вложенных префиксов Матрёшки в руководстве?
   • Только один фиксированный размер из 512 размеров.
   • График убывания от 2048 года до 1 измерения с отдельными моделями
   • 8, 16, 32 и более крупные префиксы до 2048 размеров.
   • Последовательность несвязанных размеров, требующих каждый раз новый вес модели.
8. Чем усечение встраивания Matryoshka отличается от применения отдельной модели PCA?
   • Требуется переподготовка другого кодировщика для каждого измерения.
   • Он заменяет исходный вектор случайной проекцией.
   • Это можно сделать только во время обучения модели.
   • Более короткий префикс можно вырезать и перенормировать из того же обученного внедрения без отдельной модели проекции.