Вікторина, пов’язана з посібником · Середній Рівень

Тест про вбудовування Sentence-BERT

Перевірте, як вбудовані речення підтримують масштабований семантичний пошук, включно з представленнями матрьошок і зміною рейтингу між кодувальниками.

Пов'язані напрямні шляхиРечення Bert Embeddings
Питання 1 з 8

Яку основну проблему з простим BERT вирішує Sentence-BERT?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яку основну проблему з простим BERT вирішує Sentence-BERT?
    • Порівняння багатьох речень попарно за допомогою BERT надто повільне
    • BERT не може прочитати більше одного речення
    • BERT працює лише англійською мовою
    • BERT не можна точно налаштувати
  2. Яку мережеву архітектуру використовує Sentence-BERT?
    • Єдиний авторегресійний декодер
    • Сіамська мережа з двома вежами BERT із розподілом ваги
    • Згорточна мережа зображень
    • Агент навчання з підкріпленням
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • Макс об'єднує голови уваги
    • Використання лише першого символу
    • Означає об’єднання вбудованих токенів
    • Випадковий вибір одного жетона
  4. Як зазвичай вимірюється їх подібність після того, як речення вбудовані?
    • Знову запустіть BERT на обох
    • Підрахунок спільних символів
    • Порівняння розмірів файлів
    • Косинус подібність (скарковий добуток) між векторами
  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