کولبرٹ لیٹ انٹرایکشن بازیافت کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. ColBERT کسی سوال یا دستاویز کی نمائندگی کیسے کرتا ہے؟
   • ایک واحد اوسط ایمبیڈنگ ویکٹر کے طور پر
   • جیسا کہ خام مطلوبہ الفاظ صرف شمار ہوتے ہیں۔
   • جتنے ٹوکن کی سطح کے سیاق و سباق کے ساتھ سرایت کرنے والے ویکٹر
   • تصویر کے طور پر
2. ColBERT استعمال کرنے والے اسکورنگ فنکشن کو کیا کہتے ہیں؟
   • میکسم
   • کوزائن پولنگ
   • سافٹ میکس کراس اینٹروپی
   • بیم کی تلاش
3. What query-time work does ColBERT avoid by precomputing document token vectors?
   • All query encoding and all index access
   • Every comparison between a query token and document token
   • The need to store document representations
   • Joint transformer encoding of every query-document pair, while query encoding and similarity search still run
4. 'دیر سے تعامل' میں 'دیر' سے کیا مراد ہے؟
   • ماڈل کو پائپ لائن میں دیر سے تربیت دی جاتی ہے۔
   • استفسار اور دستاویز کے ٹوکنز کے درمیان تعامل کو آزاد انکوڈنگ کے بعد اسکورنگ مرحلے تک موخر کر دیا جاتا ہے
   • سوالات رات گئے پہنچتے ہیں۔
   • دستاویزات کو تعیناتی کے بعد شامل کیا جاتا ہے۔
5. کولبرٹ سنگل ویکٹر ڈینس بازیافت کے ساتھ کس مسئلے کو حل کرتا ہے؟
   • یہ انڈیکس کرنے میں بہت سست ہے۔
   • یہ GPUs پر نہیں چل سکتا
   • اسے ہر استفسار کے لیے لیبل والے ڈیٹا کی ضرورت ہوتی ہے۔
   • پورے راستے کو ایک ویکٹر میں دبانے سے باریک دانے والی تفصیل ختم ہوجاتی ہے۔
6. ColBERTv2 نے اصل کے مقابلے میں خاص طور پر کیا بہتری لائی؟
   • اس نے کسی بھی سرایت کی ضرورت کو دور کردیا۔
   • یہ BERT سے اصول پر مبنی نظام میں تبدیل ہو گیا۔
   • اس نے انڈیکس کے سائز کو بہت زیادہ سکڑنے کے لیے بقایا کمپریشن شامل کیا۔
   • اس نے MaxSim قدم کو ختم کر دیا۔
7. A two-token ColBERT query has best document-token similarities of 0.8 and 0.3. What MaxSim score results?
   • 0.8, retaining only the single largest value across the whole query
   • 1.1, the sum of the two per-query-token maxima
   • 0.55, averaging instead of summing the maxima
   • 0.24, multiplying the two maxima
8. Why can a ColBERT document index require more storage than a single-vector dense index?
   • It retains multiple token-level representations for each document
   • It never precomputes any document features
   • It must store all transformer gradients for each document
   • It removes every document token before indexing