Kvíz spojený s průvodcem · Střední úroveň

Kvíz modelu GLIDE Difúze

Prozkoumejte generování a vykreslování textu GLIDE, podmíněné školení, vzorkování bez klasifikátorů a jeho architekturu historického modelu.

Související vodicí cestyModel kluzné difúze
Otázka 1 z 8

Která metoda vedení podle GLIDE produkovala lepší, pohotovější a věrnější obrazy?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Která metoda vedení podle GLIDE produkovala lepší, pohotovější a věrnější obrazy?
    • Návod bez klasifikátoru
    • navádění CLIP
    • Žádné vedení
    • Ruční úprava
  2. What size did the published full GLIDE base diffusion model have, before counting its upsampler?
    • About 3.5 thousand parameters
    • About 350 billion parameters
    • About 3.5 billion parameters
    • No trainable parameters
  3. Jak funguje vedení bez klasifikátoru během tréninku?
    • Model vždy vidí pouze správnou výzvu
    • Vedle toho je trénován samostatný klasifikátor obrázků
    • Výzvy jsou přeloženy na čísla náhodně
    • Model někdy vidí skutečnou výzvu a někdy prázdnou výzvu
  4. Which later system describes its diffusion decoder as modifying the GLIDE architecture in the DALL-E 2 research paper?
    • The original text-only GPT-2 model
    • The unCLIP system associated with DALL-E 2
    • The Whisper speech recognizer
    • The CLIP contrastive encoder alone
  5. Proč OpenAI veřejně vydala pouze menší filtrovanou verzi GLIDE?
    • Celý model byl ztracen
    • Běžel pouze na superpočítačích
    • Obavy ze zneužití výkonného generátoru obrázků
    • Licence od třetí strany
  6. Jakou praktickou editační funkci GLIDE podporoval?
    • Textem řízená malba
    • Zvukový přepis
    • Tabulkové vzorce
    • Vykreslování videa
  7. How did GLIDE's upsampler complement its base text-conditioned diffusion model?
    • It replaced the text prompt with an audio transcript
    • It increased the resolution of the image produced by the base model
    • It converted the image into the training tokenizer's vocabulary
    • It supplied manual labels for every generated object
  8. At GLIDE sampling time, how does classifier-free guidance strengthen prompt conditioning?
    • It retrains the model weights after every generated pixel
    • It requires a separate class-label classifier to score every step
    • It replaces the conditional prediction with the unconditional one
    • It combines conditional and unconditional predictions, extrapolating toward the conditional one