Вікторина, пов’язана з посібником · Середній Рівень

Тест із зображенням матрьошки

Перевірте, як навчання Matryoshka робить вбудовування префіксів корисним у багатьох вимірах і підтримує адаптивні варіанти зберігання та пошуку.

Пов'язані напрямні шляхиВбудовування представлення матрьошки
Питання 1 з 8

Яка основна властивість вбудованої матрьошки?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яка основна властивість вбудованої матрьошки?
    • Trained prefixes can serve as representations at multiple lengths
    • Кожен вимір однаково важливий, і порядок не має значення
    • Його можна використовувати лише на одній фіксованій довжині
    • Його потрібно перекодувати для кожного цільового розміру
  2. Як навчити модель матрьошки досягати цього?
    • Підготовкою окремої моделі для кожного розміру
    • Із втратою, підсумованою за кількома вкладеними розмірами префікса
    • Застосовуючи PCA після стандартного навчання
    • Довільним скиданням розмірів лише під час тестування
  3. Що ви робите під час висновку, щоб отримати менше вкладення?
    • Перенавчити модель з нуля
    • Запустіть окрему мережу стиснення
    • Обрізати до перших k розмірів і перенормувати
    • Усередніть усі розміри разом
  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. Яка основна практична користь від вбудовування матрьошок?
    • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
    • Вони усувають необхідність будь-яких векторів
    • Вони гарантують ідеальну точність для всіх розмірів
    • Вони працюють лише для зображень
  6. Де зосереджена найбільша дискримінаційна інформація у вбудованій матрьошці?
    • У кінцевому підсумкові розміри
    • У найбільш ранніх, провідні розміри
    • Рівномірно розподілити без упорядкування
    • Тільки в середніх розмірах
  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