Вікторина, пов’язана з посібником · Середній Рівень

Вікторина щодо вбудовування

Досліджуйте вбудовування геометрії та косинусної подібності з векторними аналогіями, наближеним пошуком, отриманим зміщенням і нормалізованим обчисленням відстані.

Пов'язані напрямні шляхиВбудовування
Питання 1 з 8

What is an embedding in the numerical representation sense used here?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. What is an embedding in the numerical representation sense used here?
    • A dictionary definition that must be stored verbatim
    • A required compression format for image files
    • A vector representing an item for a model or comparison task
    • An exact database row identifier only
  2. What can closeness in a trained semantic embedding space indicate?
    • Similarity learned under that model’s objective
    • A guarantee that two statements are equally true
    • An identical byte sequence in every case
    • A universal relation independent of training
  3. Який показник зазвичай використовується для порівняння двох вбудовувань?
    • Різниця в розмірі файлу
    • Алфавітне впорядкування
    • Підрахунок слів
    • Косинус подібність
  4. What tradeoff can an approximate embedding index such as HNSW introduce?
    • A guarantee of complete exact retrieval in every configuration
    • Faster search with possible missed exact nearest neighbors
    • A required change of every vector to a word definition
    • Automatic removal of all training-data bias
  5. Що класичний приклад «король - чоловік + жінка ≈ королева» демонструє про вбудовування?
    • Вони можуть фіксувати зв’язки за допомогою векторної арифметики
    • Вони зберігають точні визначення слів
    • Вони працюють лише на умовах роялті
    • Вони випадкові і безглузді
  6. Що є реальним ризиком під час використання вбудованих пристроїв?
    • Вони не можуть зберігатися в базі даних
    • Вони працюють лише англійською
    • Вони можуть успадковувати та відображати упередження, присутні в їхніх навчальних даних
    • Вони здійснюють лише точну відповідність усіх пошуків
  7. Two unit-length embedding vectors have dot product 0.8. What is their squared Euclidean distance?
    • 0.2
    • 0,4
    • 0.8
    • 1.6
  8. When does an inner-product score equal cosine similarity for two nonzero embedding vectors?
    • Whenever their dimensions are equal
    • Whenever they came from two unrelated model families
    • Only when their coordinates are all zero
    • When both vectors have been normalized to unit length