แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการฝังตัวแทน Matryoshka

ทดสอบว่าการฝึกอบรม Matryoshka ทำให้คำนำหน้าการฝังมีประโยชน์ในหลายมิติและรองรับตัวเลือกพื้นที่จัดเก็บและการเรียกข้อมูลแบบปรับเปลี่ยนได้อย่างไร

เส้นทางแนะนำที่เกี่ยวข้องการฝังตัวแทน Matryoshka
คำถาม 1 ของ 8

คุณสมบัติหลักของการฝัง Matryoshka คืออะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. คุณสมบัติหลักของการฝัง Matryoshka คืออะไร?
    • Trained prefixes can serve as representations at multiple lengths
    • ทุกมิติมีความสำคัญเท่าเทียมกันและลำดับไม่สำคัญ
    • สามารถใช้งานได้ที่ความยาวคงที่เพียงอันเดียวเท่านั้น
    • จะต้องได้รับการเข้ารหัสใหม่สำหรับเป้าหมายแต่ละขนาด
  2. โมเดล Matryoshka ได้รับการฝึกฝนอย่างไรเพื่อให้บรรลุเป้าหมายนี้
    • โดยการฝึกแยกรุ่นแต่ละขนาด
    • ด้วยการสูญเสียที่รวมอยู่ในมิติคำนำหน้าแบบซ้อนหลายมิติ
    • โดยสมัคร PCA หลังการฝึกอบรมมาตรฐาน
    • โดยการสุ่มวางมิติในเวลาทดสอบเท่านั้น
  3. คุณทำอะไรในการอนุมานเพื่อให้ได้การฝังที่เล็กลง?
    • ฝึกโมเดลใหม่ตั้งแต่ต้น
    • เรียกใช้เครือข่ายการบีบอัดแยกต่างหาก
    • ตัดทอนเป็น k มิติแรกและทำให้เป็นปกติอีกครั้ง
    • เฉลี่ยมิติข้อมูลทั้งหมดเข้าด้วยกัน
  4. Which documented API lets a caller request fewer dimensions for text-embedding-3 output?
    • The dimensions parameter
    • A PCA flag in the Matryoshka paper
    • A FastText n-gram option
    • A GloVe context-window setting
  5. ประโยชน์เชิงปฏิบัติหลักของการฝัง Matryoshka คืออะไร?
    • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
    • โดยไม่จำเป็นต้องใช้เวกเตอร์ใดๆ เลย
    • รับประกันความแม่นยำที่สมบูรณ์แบบในทุกขนาด
    • ใช้งานได้กับรูปภาพเท่านั้น
  6. ในการฝัง Matryoshka ข้อมูลที่เลือกปฏิบัติมากที่สุดกระจุกตัวอยู่ที่ไหน?
    • ในมิติสุดท้ายที่ตามมา
    • ในมิติแรกสุดที่เป็นผู้นำ
    • กระจายอย่างสม่ำเสมอโดยไม่ต้องสั่ง
    • เฉพาะในมิติกลางเท่านั้น
  7. Which dimensionality schedule is an example of nested Matryoshka prefixes in the guide?
    • Only one fixed size of 512 dimensions
    • A decreasing schedule from 2048 to 1 dimension with separate models
    • 8, 16, 32, and progressively larger prefixes up to 2048 dimensions
    • A sequence of unrelated sizes requiring new model weights each time
  8. How does truncating a Matryoshka embedding differ from applying a separate PCA model?
    • It requires retraining a different encoder for every dimension
    • It replaces the original vector with a random projection
    • It can only be done while the model is being trained
    • A shorter prefix can be sliced and renormalized from the same trained embedding without a separate projection model