引导式测验 · 硬 等级
ColBERT 和多向量检索测验
研究 ColBERT 的多向量排名、候选重新排名、ColPali 文档页面检索以及 ColBERTv2 如何压缩标记表示。
问题 1 的 8
ColBERT 如何表示文档？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- ColBERT 如何表示文档？
- 每个标记的上下文向量数量一样多
- 作为单个稠密向量
- 作为一个稀疏的关键词袋
- 仅作为原始文本字符串
- ColBERT 使用什么操作来对查询文档相关性进行评分？
- 两个单向量的余弦
- MaxSim：每个查询标记与任何文档标记的最佳匹配的总和
- 整个词汇表的交叉熵
- BM25 术语频率
- 为什么 ColBERT 在规模上比交叉编码器更快？
- 它使用较小的词汇量
- 它完全忽略查询
- 文档令牌嵌入是预先计算并离线索引的
- 它仅处理每个文档的第一个单词
- ColBERT 解决了单向量密集检索器的什么问题？
- 它们索引速度太慢
- 他们无法使用神经网络
- 他们不需要训练数据
- 它们通过压缩为一个向量而丢失了细粒度的、标记级的细节
- ColBERTv2 引入了哪些关键改进？
- 残余压缩大大缩小了索引大小
- 它完全删除了 BERT
- 它切换到单向量编码
- 它仅适用于图像
- ColPali 将 ColBERT 风格的后期交互应用于什么？
- 音频波形
- 文档页面的图像补丁，例如 PDF
- 仅单个关键字
- 数据库表行
- 在两阶段搜索系统中，在快速的第一阶段检索器之后，ColBERT 可以发挥什么作用？
- 从头开始生成源文档
- 将查询替换为文档标题
- 使用上下文标记级别匹配对候选段落重新排序
- 评分前丢弃所有候选者
- ColBERTv2 的残差压缩为标记向量存储什么？
- 仅原始文档文本，没有矢量数据
- 每个标记的语言模型的完整副本
- 整个文档的一个共享向量
- 质心代码和紧凑的残差表示