Тест за модели на последователност

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какъв основен проблем с моделите на дифузия адресират моделите на последователност?
   • Дифузионното вземане на проби е бавно, защото се нуждае от много итеративни стъпки
   • Дифузията не може да генерира цветни изображения
   • Дифузията използва твърде малко памет
   • Дифузията работи само върху текст
2. Какво е свойството „самосъгласуваност“, което тези модели са обучени да удовлетворяват?
   • Всяко изображение трябва да бъде в един и същи цвят
   • Всяка точка от траекторията шум към данни се преобразува в една и съща чиста крайна точка
   • Моделът трябва да е съгласен с човек, етикетиращ
   • Изходът трябва да е равен на входния шум
3. Какво гранично условие трябва да удовлетворява функцията за съгласуваност в момент нула?
   • Трябва да извежда чист шум
   • Трябва да изведе черно изображение
   • Трябва да действа като самоличност (връща входа непроменен)
   • Той трябва да изведе средната стойност на набора от данни
4. Как може да се създаде модел на консистенция от съществуващ модел на дифузия?
   • Като изтриете произволно половината му слоеве
   • Като го преобразувате в дърво на решенията
   • Като го обучавате само на текстови данни
   • Чрез дестилация на консистенция на предварително обучения дифузионен модел
5. Каква техника стабилизира обучението за последователност чрез предоставяне на учебни цели?
   • Целева мрежа, актуализирана като експоненциална подвижна средна
   • Произволно изтриване на функцията за загуба
   • Удвояване на скоростта на обучение на всяка стъпка
   • Използване само на едно изображение за обучение
6. How many sampling steps did the Latent Consistency Models paper report for high-quality 768×768 image generation?
   • Hundreds of steps in every setting
   • Two to four sampling steps
   • Exactly one training epoch
   • No sampling or model evaluation
7. What are two training routes introduced for consistency models?
   • Only supervised image classification
   • Only adversarial training with a discriminator
   • Consistency distillation from a pretrained diffusion model and standalone consistency training
   • Token prediction and masked language modeling
8. Which zero-shot image-editing tasks did the consistency-model paper demonstrate?
   • Speech diarization and speaker verification
   • Machine translation and summarization
   • Database query planning and code completion
   • Inpainting, colorization and super-resolution