اختبار CLIP ونماذج لغة الرؤية

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. ما هي الفكرة الأساسية وراء CLIP؟
   • ضغط الصور إلى ملفات أصغر
   • وضع الصور والنصوص في نفس مساحة التضمين المشتركة
   • إنشاء نماذج ثلاثية الأبعاد من الصور
   • ترجمة الكلام إلى نص
2. ما هو النهج التدريبي الذي يستخدمه CLIP؟
   • تعزيز التعلم من ردود الفعل البشرية
   • وضع العلامات اليدوية على كل كائن في كل صورة
   • التعلم المتباين الذي يجمع أزواج الصور والنص المتطابقة معًا
   • نسخ الأوزان من نموذج الكلام
3. What does zero-shot classification mean in the original CLIP transfer setup?
   • Using text-defined candidate categories without new task-specific supervised classifier fitting
   • Using a model that never received any pretraining data
   • Running without any computation or electricity
   • A guarantee that every category is classified correctly
4. كيف يقيس CLIP ما إذا كانت الصورة والتسمية التوضيحية متطابقتين؟
   • عن طريق مقارنة حجم الملف
   • عن طريق عد بكسل من كل لون
   • عن طريق التحقق من الطابع الزمني للصورة
   • بواسطة جيب التمام التشابه بين ناقلاتهم
5. ما مقدار البيانات التي تم تدريب CLIP عليها تقريبًا؟
   • بضعة آلاف من الصور الموسومة يدويًا
   • النص فقط، لا الصور
   • حوالي 400 مليون زوج من الصور والنصوص من الويب
   • مجموعة متحفية واحدة منسقة
6. How does the cited unCLIP image-generation paper use CLIP representations?
   • The original standalone CLIP encoder directly outputs every image pixel
   • A prior supplies CLIP image embeddings to a generative decoder
   • It removes all image representations and uses only filenames
   • It uses CLIP only as a network-encryption protocol
7. Which image-encoder families were evaluated in the original CLIP paper?
   • Only recurrent text encoders
   • Only a mandatory linear pixel average
   • Only a raw audio codec
   • Modified ResNets and Vision Transformers
8. A CLIP batch contains 32 paired images and texts. How many entries are in its full cross-modal score matrix?
   • 1024
   • 32
   • 64
   • 992