گائیڈ سے منسلک کوئز · درمیانہ سطح

سزا-BERT ایمبیڈنگس کوئز

جانچ کریں کہ جملے کی سرایت کس طرح توسیع پذیر سیمنٹک تلاش کی حمایت کرتی ہے، بشمول Matryoshka نمائندگی اور کراس انکوڈر کی دوبارہ درجہ بندی۔

متعلقہ گائیڈ کے راستےسزا برٹ ایمبیڈنگز
سوال 1 کی 8

سادہ BERT کے ساتھ کون سا بنیادی مسئلہ Sentence-BERT حل کرتا ہے؟

ہر سوال کا جائزہ لیں۔8 سوالات

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

  1. سادہ BERT کے ساتھ کون سا بنیادی مسئلہ Sentence-BERT حل کرتا ہے؟
    • BERT کے ساتھ جوڑے کے لحاظ سے بہت سے جملوں کا موازنہ کرنا بہت سست ہے۔
    • BERT ایک سے زیادہ جملے نہیں پڑھ سکتا
    • BERT صرف انگریزی میں کام کرتا ہے۔
    • BERT کو ٹھیک نہیں کیا جا سکتا
  2. Sentence-BERT کون سا نیٹ ورک فن تعمیر استعمال کرتا ہے؟
    • ایک واحد آٹوریگریسو ڈیکوڈر
    • دو وزن بانٹنے والے BERT ٹاورز کے ساتھ ایک سیامی نیٹ ورک
    • ایک تصوراتی تصویری نیٹ ورک
    • ایک کمک سیکھنے والا ایجنٹ
  3. Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
    • توجہ کے سروں پر زیادہ سے زیادہ پولنگ
    • صرف پہلا کردار استعمال کرنا
    • ٹوکن ایمبیڈنگز پر پولنگ کا مطلب
    • ایک ٹوکن کا بے ترتیب انتخاب
  4. ایک بار جملے سرایت کرنے کے بعد، ان کی مماثلت کو عام طور پر کیسے ماپا جاتا ہے؟
    • دونوں پر دوبارہ BERT چل رہا ہے۔
    • مشترکہ حروف کی گنتی
    • فائل کے سائز کا موازنہ کرنا
    • ویکٹر کے درمیان کوزائن کی مماثلت (ایک ڈاٹ پروڈکٹ)
  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