مسابقة انتشار المحولات

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. ما هو المكون الذي يحل محله محول الانتشار مقارنة بنماذج الانتشار التقليدية؟
   • مزيل الضوضاء U-Net التلافيفي
   • برنامج تشفير النص
   • وحدة فك ترميز الصورة
   • جدول الضوضاء
2. كيف يقوم DiT بتحويل الصورة إلى شيء يمكن للمحول معالجته؟
   • يقوم بتحويل البيكسلات مباشرة إلى كلمات
   • يقوم بتقسيم الصورة الكامنة إلى بقع يتم التعامل معها كرموز مميزة
   • يستخدم رمزًا واحدًا للصورة بأكملها
   • يقوم بتحويل الصورة إلى صوت أولاً
3. ماذا وجدت ورقة DiT الأصلية حول القياس؟
   • ثبات الأداء بسرعة مع الحجم
   • النماذج الأكبر دائمًا ما يكون أداؤها أسوأ
   • يتحسن الأداء بشكل متوقع مع نمو حجم النموذج وتقلص حجم التصحيح
   • حجم التصحيح ليس له أي تأثير
4. كيف تقوم DiTs عادةً بحقن التكييف مثل الخطوة الزمنية والمطالبة النصية؟
   • عن طريق إلحاقه بالبكسلات الإضافية
   • من خلال إعادة تدريب النموذج في كل خطوة
   • عبر فرع تلافيفي منفصل
   • من خلال تطبيع الطبقة التكيفية (adaLN)
5. ما الذي تحققه عملية التهيئة "adaLN-zero"؟
   • فهو يجعل كل كتلة Transformer تبدأ كوظيفة هوية للتدريب المستقر
   • يقوم بحذف طبقات التطبيع
   • إنه يجمد النموذج بأكمله
   • إنه يصفّر صورة الإدخال
6. ما هو النظام المعروف الذي يستخدم العمود الفقري للمحول عبر تصحيحات الزمكان لإنشاء الفيديو؟
   • GAN التقليدية
   • OpenAI Sora
   • شبكة عصبية متكررة
   • نموذج شجرة القرار
7. Why can full self-attention become costly when a DiT processes many patches?
   • Its cost stays constant for any token count
   • It must retrain the U-Net at each denoising step
   • Its pairwise token comparisons grow quadratically with the number of tokens
   • It requires a separate language model for every patch
8. After a DiT processes latent image patches with its Transformer blocks, what happens to the patch outputs?
   • As one text token for an entire video
   • As only a sequence of audio waveforms
   • As a separate convolutional U-Net for each frame
   • They are reassembled and decoded back into pixels