引導式測驗 · 硬 等級

ColBERT 和多向量檢索測驗

研究 ColBERT 的多向量排名、候選重新排名、ColPali 文件頁面檢索以及 ColBERTv2 如何壓縮標記表示。

問題 1 的 8

ColBERT 如何表示文件?

預覽每個問題8 問題

當您參加測驗時,就會出現答案和解釋。

  1. ColBERT 如何表示文件?
    • 每個標記的上下文向量數量一樣多
    • 作為單一稠密向量
    • 作為一個稀疏的關鍵字袋
    • 僅作為原始文字字串
  2. ColBERT 使用什麼操作來對查詢文件相關性進行評分?
    • 兩個單向量的餘弦
    • MaxSim:每個查詢標記與任何文件標記的最佳匹配的總和
    • 整個詞彙表的交叉熵
    • BM25 術語頻率
  3. 為什麼 ColBERT 在規模上比交叉編碼器更快?
    • 它使用較小的詞彙量
    • 它完全忽略查詢
    • 文件令牌嵌入是預先計算並離線索引的
    • 它僅處理每個文件的第一個單字
  4. ColBERT 解決了單向量密集檢索器的什麼問題?
    • 它們索引速度太慢
    • 他們無法使用神經網絡
    • 他們不需要訓練數據
    • 它們透過壓縮為一個向量而失去了細粒度的、標記級的細節
  5. ColBERTv2 引入了哪些關鍵改進?
    • 殘餘壓縮大大縮小了索引大小
    • 它完全刪除了 BERT
    • 它切換到單向量編碼
    • 它僅適用於圖像
  6. ColPali 將 ColBERT 風格的後期互動應用於什麼?
    • 音訊波形
    • 文件頁面的圖像補丁,例如 PDF
    • 僅單一關鍵字
    • 資料庫表行
  7. In a two-stage search system, what role can ColBERT play after a fast first-stage retriever?
    • Generate the source documents from scratch
    • Replace the query with a document title
    • Rerank the candidate passages using contextual token-level matching
    • Discard every candidate before scoring
  8. What does ColBERTv2's residual compression store for a token vector?
    • Only the raw document text with no vector data
    • A full copy of the language model for each token
    • One shared vector for the entire document
    • A centroid code together with a compact residual representation