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

Bài kiểm tra nhúng đại diện Matryoshka

Kiểm tra cách đào tạo Matryoshka giúp việc nhúng tiền tố trở nên hữu ích ở nhiều chiều và hỗ trợ các lựa chọn truy xuất và lưu trữ thích ứng.

Đường dẫn hướng dẫn liên quanNhúng đại diện Matryoshka
Câu hỏi 1 của 8

Thuộc tính cốt lõi của việc nhúng Matryoshka là gì?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. Thuộc tính cốt lõi của việc nhúng Matryoshka là gì?
    • Trained prefixes can serve as representations at multiple lengths
    • Mọi chiều đều quan trọng như nhau và thứ tự không quan trọng
    • Nó chỉ có thể được sử dụng ở một chiều dài cố định
    • Nó phải được mã hóa lại cho từng kích thước mục tiêu
  2. Mô hình Matryoshka được đào tạo như thế nào để đạt được điều này?
    • Bằng cách đào tạo một mô hình riêng cho từng kích cỡ
    • Với tổn thất được tính tổng trên nhiều chiều tiền tố lồng nhau
    • Bằng cách áp dụng PCA sau đào tạo tiêu chuẩn
    • Bằng cách giảm kích thước ngẫu nhiên chỉ tại thời điểm thử nghiệm
  3. Bạn làm gì khi suy luận để có được phần nhúng nhỏ hơn?
    • Đào tạo lại mô hình từ đầu
    • Chạy một mạng nén riêng
    • Cắt bớt kích thước k đầu tiên và chuẩn hóa lại
    • Trung bình tất cả các kích thước với nhau
  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. Lợi ích thực tế chính của việc nhúng Matryoshka là gì?
    • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
    • Chúng loại bỏ sự cần thiết của bất kỳ vectơ nào
    • Chúng đảm bảo độ chính xác hoàn hảo ở mọi kích cỡ
    • Chúng chỉ hoạt động với hình ảnh
  6. Trong quá trình nhúng Matryoshka, thông tin mang tính phân biệt đối xử nhất tập trung ở đâu?
    • Trong kích thước cuối cùng, cuối cùng
    • Trong những chiều hướng sớm nhất, hàng đầu
    • Trải đều không có thứ tự
    • Chỉ ở kích thước trung bình
  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