Тест «Крос-кодери проти бі-кодувальників».

Відповіді та пояснення з’являються під час виконання тесту.

1. Яка визначальна архітектурна різниця між крос-кодером і бі-кодером?
   • Перехресний кодер обробляє обидва тексти разом, щоб маркери могли перебувати між ними, а подвійний кодер кодує кожен текст окремо
   • Дві-кодер використовує увагу, а крос-кодер не використовує увагу
   • Крос-кодер менший і швидший, ніж бі-кодер
   • Бікодувальник може обробляти лише один текст за раз
2. Чому бікодувальники ефективно масштабують мільйони документів?
   • Вони використовують менше навчальних даних
   • Вбудовані документи не залежать від запитів і можуть бути попередньо обчислені та збережені
   • Вони ніколи не використовують трансформатори
   • Вони пропускають етап повільної токенізації
3. Як поєднуються дві архітектури в типовому робочому конвеєрі пошуку?
   • Перехресний кодер отримує кандидатів, а потім двійковий кодер переставляє їх
   • Обидва працюють паралельно, і голоси усереднюються
   • Дві-кодер отримує багато кандидатів, а потім перехресний кодер змінює рейтинг найкращих
   • Завжди використовується тільки один, ніколи обидва
4. How does a late-interaction model such as ColBERT combine token-level query and document representations at scoring time?
   • It averages both texts into a single vector before any interaction
   • It concatenates raw audio waveforms and applies a vocoder
   • It ranks documents only by their character count
   • It compares query-token vectors with document-token vectors using a MaxSim-style aggregation
5. Що зазвичай виводить бікодувальник для одного введеного тексту?
   • Один вектор вбудовування фіксованої довжини
   • Оцінка релевантності між двома текстами
   • Рейтинговий список документів
   • Розподіл ймовірностей по словниковому запасу
6. After jointly processing a query and candidate, what does a cross-encoder produce?
   • A reusable document vector computed independently of the query
   • A relevance score for that specific query-candidate pair
   • A separate token vector for every item in the full corpus
   • A guarantee that the top result is correct
7. What kind of representation does a late-interaction model such as ColBERT retain for a text?
   • Only one global label for the whole corpus
   • A decoded audio waveform
   • A vector representation for each token
   • A complete copy of the cross-encoder’s pairwise scores
8. What similarity function do Sentence Transformers examples commonly use for comparing normalized bi-encoder embeddings?
   • Edit distance over raw audio samples
   • A pixel-wise image loss
   • A speech-recognition word error rate
   • Косинус подібність