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.
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.
- Která metoda vedení podle GLIDE produkovala lepší, pohotovější a věrnější obrazy?
- Návod bez klasifikátoru
- navádění CLIP
- Žádné vedení
- Ruční úprava
- 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
- 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
- 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
- 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
- Jakou praktickou editační funkci GLIDE podporoval?
- Textem řízená malba
- Zvukový přepis
- Tabulkové vzorce
- Vykreslování videa
- 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
- 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