অটোরিগ্রেসিভ ইমেজ জেনারেশন কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. ইমেজ প্রজন্মের প্রসঙ্গে 'অটোরিগ্রেসিভ' বলতে কী বোঝায়?
   • প্রতিটি নতুন উপাদান পূর্বে উত্পন্ন উপাদানের উপর শর্তযুক্ত ভবিষ্যদ্বাণী করা হয়
   • প্রতিটি নতুন উপাদান শুধুমাত্র টেক্সট প্রম্পট ব্যবহার করে ভবিষ্যদ্বাণী করা হয়
   • এলোমেলো শব্দ থেকে পুরো চিত্রটি একবারে অস্বীকার করা হয়
   • পিক্সেলগুলি একে অপরের থেকে সম্পূর্ণ স্বাধীনভাবে তৈরি হয়
2. DALL-E 1-এর মতো আধুনিক অটোরিগ্রেসিভ ইমেজ মডেলগুলি কীভাবে একটি চিত্রকে ভবিষ্যদ্বাণী করার আগে উপস্থাপন করে?
   • একটি একক অবিচ্ছিন্ন ভেক্টর হিসাবে
   • একটি শেখা কোডবুক থেকে পৃথক টোকেনগুলির একটি নির্দিষ্ট গ্রিড হিসাবে
   • শুধুমাত্র কাঁচা 24-বিট RGB পিক্সেল হিসাবে
   • ভেক্টর গ্রাফিক্স আকারের একটি তালিকা হিসাবে
3. কোন প্রাথমিক মডেলগুলি একবারে একটি কাঁচা পিক্সেল ছবি তৈরি করেছিল?
   • GANs এবং VAEs
   • স্থিতিশীল প্রসারণ এবং চিত্র
   • PixelRNN এবং PixelCNN
   • CLIP এবং BLIP
4. অটোরিগ্রেসিভ জেনারেশনের সময় একটি ট্রান্সফরমার শুধুমাত্র পূর্বের টোকেনগুলিতে উপস্থিত থাকার বিষয়টি কোন প্রক্রিয়া নিশ্চিত করে?
   • ড্রপআউট
   • ব্যাচ স্বাভাবিককরণ
   • সংযোগগুলি এড়িয়ে যান
   • কার্যকারণ (মুখোশ) স্ব-মনোযোগ
5. অটোরিগ্রেসিভ ইমেজ স্যাম্পলিং এর প্রধান ব্যবহারিক ত্রুটি কি?
   • নমুনা ক্রমিক এবং তাই ধীর
   • এটি পাঠ্যের উপর শর্তযুক্ত করা যাবে না
   • এটি সূক্ষ্ম বিবরণ মডেল করতে পারে না
   • এটি কোন প্রশিক্ষণ তথ্য প্রয়োজন
6. কোন কৌশল সমান্তরালভাবে অনেক টোকেন ভবিষ্যদ্বাণী করে টোকেন-ভিত্তিক চিত্র তৈরির গতি বাড়ায়?
   • শিক্ষক জোর করে
   • মাস্ক করা সমান্তরাল ডিকোডিং (যেমন, মাস্কজিআইটি/মিউজ)
   • গ্রেডিয়েন্ট ক্লিপিং
   • এক-গরম এনকোডিং
7. How does the original DALL·E model use text and image tokens?
   • Separate unconnected classifiers process text and pixels
   • A diffusion decoder predicts all pixels simultaneously
   • A single autoregressive Transformer models the sequence conditioned on text and image tokens
   • The model uses only a text encoder and no image-token sequence
8. What scale of image-text pairs did the original DALL·E paper report collecting?
   • About 250 pairs
   • About 25 thousand pairs
   • About 25 billion pairs
   • About 250 million image-text pairs