Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra truy xuất tương tác muộn của ColBERT

Kiểm tra vectơ mã thông báo ColBERT, mã hóa độc lập, tính điểm MaxSim, công việc trong thời gian truy vấn và chi phí lưu trữ được giải quyết bằng cách nén ColBERTv2.

Đường dẫn hướng dẫn liên quanTruy xuất tương tác muộn của Colbert
Câu hỏi 1 của 8

ColBERT thể hiện một truy vấn hoặc tài liệu như thế nào?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. ColBERT thể hiện một truy vấn hoặc tài liệu như thế nào?
    • Là một vectơ nhúng trung bình duy nhất
    • Vì từ khóa thô chỉ được tính
    • Nhiều vectơ nhúng theo ngữ cảnh cấp mã thông báo
    • Như một hình ảnh
  2. Chức năng tính điểm mà ColBERT sử dụng được gọi là gì?
    • MaxSim
    • Tổng hợp cosine
    • Entropy chéo Softmax
    • Tìm kiếm tia
  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. Từ 'muộn' trong 'tương tác muộn' ám chỉ điều gì?
    • Mô hình được đào tạo muộn trong quy trình
    • Sự tương tác giữa mã thông báo truy vấn và tài liệu được hoãn lại ở bước tính điểm sau khi mã hóa độc lập
    • Truy vấn đến vào đêm khuya
    • Tài liệu được thêm vào sau khi triển khai
  5. ColBERT giải quyết vấn đề gì với truy xuất dày đặc vectơ đơn?
    • Lập chỉ mục quá chậm
    • Nó không thể chạy trên GPU
    • Nó yêu cầu dữ liệu được dán nhãn cho mọi truy vấn
    • Nén toàn bộ đoạn văn thành một vectơ sẽ làm mất chi tiết chi tiết
  6. ColBERTv2 đã cải thiện đáng kể điều gì so với bản gốc?
    • Nó loại bỏ sự cần thiết của bất kỳ phần nhúng nào
    • Nó chuyển từ BERT sang hệ thống dựa trên quy tắc
    • Nó đã thêm tính năng nén dư để thu nhỏ đáng kể kích thước chỉ mục
    • Nó đã loại bỏ bước MaxSim
  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