Викторина, связанная с руководством · Средний Уровень

Викторина по внедрению Sentence-BERT

Проверьте, как встраивание предложений поддерживает масштабируемый семантический поиск, включая представления «матрешки» и перекрестное кодирование.

Связанные направляющие путиВложения Берта в предложения
Вопрос 1 из 8

Какую основную проблему с простым BERT решает Sentence-BERT?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какую основную проблему с простым BERT решает Sentence-BERT?
    • Сравнение множества предложений попарно с помощью BERT происходит слишком медленно.
    • BERT не может прочитать более одного предложения
    • BERT работает только на английском языке
    • BERT не может быть точно настроен
  2. Какую сетевую архитектуру использует Sentence-BERT?
    • Один авторегрессионный декодер
    • Сиамская сеть с двумя башнями BERT с разделением веса
    • Сверточная сеть изображений
    • Агент обучения с подкреплением
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • Макс сосредоточивает внимание на головах
    • Использование только первого символа
    • Среднее объединение по встраиваниям токенов
    • Случайный выбор одного токена
  4. Как обычно измеряется их сходство после того, как предложения вставлены?
    • Снова запустим BERT на обоих
    • Подсчет общих символов
    • Сравнение размеров файлов
    • Косинусное сходство (скалярное произведение) между векторами
  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