แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการดึงปฏิสัมพันธ์ล่าช้าของ ColBERT
ทดสอบเวกเตอร์โทเค็น ColBERT, การเข้ารหัสอิสระ, การให้คะแนน MaxSim, งานตามเวลาสืบค้น และต้นทุนพื้นที่จัดเก็บที่จัดการโดยการบีบอัด ColBERTv2
คำถาม 1 ของ 8
ColBERT เป็นตัวแทนแบบสอบถามหรือเอกสารอย่างไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ColBERT เป็นตัวแทนแบบสอบถามหรือเอกสารอย่างไร
- เป็นเวกเตอร์การฝังเฉลี่ยเดียว
- เนื่องจากคำหลักดิบนับเท่านั้น
- เวกเตอร์การฝังตามบริบทระดับโทเค็นจำนวนมาก
- เป็นภาพ
- ฟังก์ชันการให้คะแนนที่ ColBERT ใช้เรียกว่าอะไร
- แม็กซ์ซิม
- การรวมตัวกันของโคไซน์
- ซอฟต์แม็กซ์ข้ามเอนโทรปี
- ค้นหาบีม
- What query-time work does ColBERT avoid by precomputing document token vectors?
- All query encoding and all index access
- Every comparison between a query token and document token
- The need to store document representations
- Joint transformer encoding of every query-document pair, while query encoding and similarity search still run
- 'การล่าช้า' ใน 'การโต้ตอบล่าช้า' หมายถึงอะไร
- โมเดลได้รับการฝึกฝนล่าช้าในขั้นตอนการทำงาน
- การโต้ตอบระหว่างโทเค็นการสืบค้นและเอกสารจะถูกเลื่อนออกไปเป็นขั้นตอนการให้คะแนนหลังจากการเข้ารหัสอิสระ
- แบบสอบถามมาถึงตอนดึก
- เอกสารจะถูกเพิ่มหลังจากการปรับใช้
- ColBERT กล่าวถึงปัญหาอะไรกับการดึงข้อมูลหนาแน่นแบบเวกเตอร์เดี่ยว
- การจัดทำดัชนีช้าเกินไป
- ไม่สามารถทำงานบน GPU ได้
- ต้องมีข้อมูลที่มีป้ายกำกับสำหรับทุกแบบสอบถาม
- การบีบอัดข้อความทั้งหมดเป็นเวกเตอร์เดียวจะสูญเสียรายละเอียดที่ละเอียด
- ColBERTv2 มีการปรับปรุงอะไรให้ดีขึ้นกว่าเดิมอย่างเห็นได้ชัด?
- ทำให้ไม่จำเป็นต้องมีการฝังใดๆ
- มันเปลี่ยนจาก BERT เป็นระบบตามกฎ
- มันเพิ่มการบีบอัดที่เหลือเพื่อลดขนาดดัชนีลงอย่างมาก
- มันยกเลิกขั้นตอน MaxSim
- A two-token ColBERT query has best document-token similarities of 0.8 and 0.3. What MaxSim score results?
- 0.8, retaining only the single largest value across the whole query
- 1.1, the sum of the two per-query-token maxima
- 0.55, averaging instead of summing the maxima
- 0.24, multiplying the two maxima
- Why can a ColBERT document index require more storage than a single-vector dense index?
- It retains multiple token-level representations for each document
- It never precomputes any document features
- It must store all transformer gradients for each document
- It removes every document token before indexing