引导式测验 · 中等 等级

俄罗斯套娃表示嵌入测验

测试 Matryoshka 训练如何使嵌入前缀在多个维度上有用并支持自适应存储和检索选择。

相关引导路径俄罗斯套娃表示嵌入
问题 1 的 8

俄罗斯套娃嵌入的核心属性是什么？

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。

  1. 俄罗斯套娃嵌入的核心属性是什么？
    • Trained prefixes can serve as representations at multiple lengths
    • 每个维度都同等重要，顺序并不重要
    • 只能以一种固定长度使用
    • 必须针对每个目标大小重新编码
  2. 如何训练俄罗斯套娃模型来实现这一目标？
    • 通过为每个尺寸训练单独的模型
    • 多个嵌套前缀维度上的损失求和
    • 标准训练后应用PCA
    • 仅在测试时随机删除维度
  3. 为了获得更小的嵌入，你在推理中做了什么？
    • 从头开始重新训练模型
    • 运行单独的压缩网络
    • 截断到前 k 维并重新规范化
    • 将所有维度平均在一起
  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. 俄罗斯套娃嵌入的主要实际好处是什么？
    • Fewer coordinates may reduce storage and comparison work; benchmark retrieval quality and cost
    • 它们消除了对任何载体的需要
    • 它们保证所有尺寸的完美精度
    • 它们仅适用于图像
  6. 在俄罗斯套娃嵌入中，最具辨别力的信息集中在哪里？
    • 在最终的尾随尺寸中
    • 在最早的领先维度中
    • 均匀分布，无需排序
    • 仅在中间尺寸
  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