Mit dem Guide verknüpftes Quiz · Mittel Ebene

GLIDE-Diffusionsmodell-Quiz

Entdecken Sie die textgesteuerte Generierung und Inpainting von GLIDE, bedingtes Training, klassifiziererfreies Sampling und seine historische Modellarchitektur.

Verwandte FührungspfadeGleitdiffusionsmodell
Frage 1 von 8

Welche Führungsmethode lieferte laut GLIDE bessere und zeitnahere Bilder?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Welche Führungsmethode lieferte laut GLIDE bessere und zeitnahere Bilder?
    • Klassifizierungsfreie Anleitung
    • CLIP-Anleitung
    • Keine Anleitung
    • Manuelle Bearbeitung
  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. Wie funktioniert die klassifikatorfreie Anleitung während des Trainings?
    • Das Modell sieht immer nur die richtige Eingabeaufforderung
    • Daneben wird ein separater Bildklassifikator trainiert
    • Eingabeaufforderungen werden zufällig in Zahlen übersetzt
    • Das Modell sieht manchmal die echte Eingabeaufforderung und manchmal eine leere
  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. Warum hat OpenAI nur eine kleinere, gefilterte Version von GLIDE öffentlich veröffentlicht?
    • Das vollständige Modell ging verloren
    • Es lief nur auf Supercomputern
    • Bedenken hinsichtlich des Missbrauchs eines leistungsstarken Bildgenerators
    • Lizenzierung durch einen Dritten
  6. Welche praktische Bearbeitungsfunktion wurde von GLIDE unterstützt?
    • Textgesteuertes Inpainting
    • Audiotranskription
    • Tabellenkalkulationsformeln
    • Video-Rendering
  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