Rehber bağlantılı sınav · Orta Seviye

Cümle-BERT Gömmeleri Sınavı

Cümle yerleştirmelerin, Matryoshka temsilleri ve kodlayıcılar arası yeniden sıralama da dahil olmak üzere ölçeklenebilir anlamsal aramayı nasıl desteklediğini test edin.

İlgili kılavuz yollarıCümle Bert Gömmeleri
Soru 1 arasında 8

Düz BERT ile ilgili hangi temel sorunu Cümle-BERT çözüyor?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Düz BERT ile ilgili hangi temel sorunu Cümle-BERT çözüyor?
    • Birçok cümleyi BERT ile ikili olarak karşılaştırmak çok yavaş
    • BERT birden fazla cümleyi okuyamaz
    • BERT yalnızca İngilizce olarak çalışır
    • BERT'e ince ayar yapılamaz
  2. Cümle-BERT hangi ağ mimarisini kullanıyor?
    • Tek bir otoregresif kod çözücü
    • İki ağırlık paylaşımlı BERT kulesine sahip bir Siyam ağı
    • Evrişimsel bir görüntü ağı
    • Takviyeli öğrenme aracısı
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • Maksimum dikkat kafaları üzerinde toplanıyor
    • Yalnızca ilk karakteri kullanma
    • Belirteç yerleştirmeleri üzerinde havuzlama anlamına gelir
    • Bir jetonun rastgele seçimi
  4. Cümleler yerleştirildikten sonra benzerlikleri genellikle nasıl ölçülür?
    • BERT'i her ikisinde de tekrar çalıştırma
    • Paylaşılan karakterleri sayma
    • Dosya boyutlarını karşılaştırma
    • Vektörler arasındaki kosinüs benzerliği (nokta çarpım)
  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