ColBERT Geç Etkileşim Erişim Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. ColBERT bir sorguyu veya belgeyi nasıl temsil eder?
   • Tek bir ortalamalı gömme vektörü olarak
   • Yalnızca ham anahtar kelime sayıldığından
   • Belirteç düzeyinde bağlamsal yerleştirme vektörlerinin sayısı kadar
   • Resim olarak
2. ColBERT'in kullandığı puanlama fonksiyonuna ne denir?
   • MaxSim
   • Kosinüs havuzu
   • Softmax çapraz entropi
   • Işın arama
3. 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
4. 'Geç etkileşim'deki 'geç' neyi ifade ediyor?
   • Model üretim hattının sonlarında eğitilir
   • Sorgu ve belge belirteçleri arasındaki etkileşim, bağımsız kodlamanın ardından puanlama adımına ertelenir
   • Sorular gece geç saatlerde geliyor
   • Dokümanlar dağıtımdan sonra eklenir
5. ColBERT tek vektörlü yoğun erişimle ilgili hangi sorunu çözüyor?
   • İndeksleme çok yavaş
   • GPU'larda çalışamaz
   • Her sorgu için etiketlenmiş veri gerektirir
   • Bütün bir pasajın tek bir vektöre sıkıştırılması ince taneli ayrıntıları kaybeder
6. ColBERTv2 orijinaline göre neyi belirgin şekilde geliştirdi?
   • Herhangi bir yerleştirme ihtiyacını ortadan kaldırdı
   • BERT'ten kural tabanlı sisteme geçiş yapıldı
   • Dizin boyutunu büyük ölçüde küçültmek için artık sıkıştırma eklendi
   • MaxSim adımını ortadan kaldırdı
7. 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
8. 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