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。
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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