Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ
Câu đố nhúng câu-BERT
Kiểm tra cách nhúng câu hỗ trợ tìm kiếm ngữ nghĩa có thể mở rộng, bao gồm biểu diễn Matryoshka và sắp xếp lại bộ mã hóa chéo.
Câu hỏi 1 của 8
Vấn đề cốt lõi nào với BERT đơn giản mà Sentence-BERT giải quyết được?
Xem trước mọi câu hỏi8 câu hỏi
Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.
- Vấn đề cốt lõi nào với BERT đơn giản mà Sentence-BERT giải quyết được?
- So sánh nhiều câu theo cặp với BERT quá chậm
- BERT không thể đọc nhiều hơn một câu
- BERT chỉ hoạt động bằng tiếng Anh
- BERT không thể tinh chỉnh được
- Sentence-BERT sử dụng kiến trúc mạng nào?
- Một bộ giải mã tự hồi quy duy nhất
- Mạng lưới Xiêm với hai tháp BERT chia sẻ trọng lượng
- Mạng hình ảnh tích chập
- Một tác nhân học tập tăng cường
- Bài viết Sentence-BERT ban đầu đã đánh giá chiến lược tổng hợp nào để tạo các phần nhúng câu?
- Tổng hợp tối đa trên các mục chú ý
- Chỉ sử dụng ký tự đầu tiên
- Tổng hợp trung bình trên các nhúng mã thông báo
- Lựa chọn ngẫu nhiên một mã thông báo
- Khi các câu đã được nhúng vào, độ tương tự của chúng thường được đo lường như thế nào?
- Chạy lại BERT trên cả hai
- Đếm các ký tự được chia sẻ
- So sánh kích thước tập tin
- Độ tương tự cosine (sản phẩm chấm) giữa các vectơ
- Bài viết Sentence-BERT ban đầu đã sử dụng dữ liệu đào tạo nào để tinh chỉnh NLI?
- 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
- 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
- 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
- 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