Cuestionario vinculado a una guía · Medio Nivel

Cuestionario sobre modelos turbo y destilación por difusión adversaria

Prueba cómo se combinan las pérdidas por destilación de profesores y adversarios en ADD, en qué se diferencia LADD y a qué renuncian los modelos turbo en diversidad y control.

Rutas de guía relacionadasModelos turbo y destilación por difusión adversarios
Pregunta 1 de 8

¿Qué dos pérdidas combina ADD?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué dos pérdidas combina ADD?
    • Una pérdida FID y una pérdida CLIP
    • Una pérdida contradictoria y una pérdida destilada de un maestro.
    • Una pérdida de percepción y solo una pérdida de píxeles.
    • Una pérdida contrastiva y entropía cruzada.
  2. ¿Qué modelo se lanzó junto con el documento ADD?
    • Desarrollador Flux.1
    • DALL-E 3
    • SDXL Turbo
    • Difusión estable 1.5
  3. ¿Qué columna vertebral utiliza el discriminador de ADD?
    • Una red de funciones DINOv2 congelada con cabezas entrenables
    • Una red Inception totalmente entrenable
    • El codificador de texto del profesor
    • Sin columna vertebral; compara píxeles sin procesar
  4. ¿En qué se diferencia LADD de ADD?
    • Utiliza más pasos para eliminar el ruido.
    • Se quita al maestro
    • Sólo funciona para vídeo.
    • Ejecuta el discriminador en el espacio latente utilizando las características del profesor.
  5. ¿Por qué las indicaciones negativas suelen tener poco efecto en los modelos turbo?
    • El tokenizador los filtra
    • Los modelos no tienen codificador de texto.
    • Durante la destilación normalmente se incorpora una guía sin clasificador
    • Las indicaciones negativas solo funcionan a 1024x1024
  6. ¿Qué sucede si ejecuta un modelo de difusión normal sin destilar en un solo paso?
    • Coincide con SDXL Turbo
    • Suele producir una imagen borrosa e inacabada.
    • Genera vídeo
    • Se niega a correr
  7. ¿Qué compensación de calidad es común en los modelos destilados de pocos pasos?
    • Mayor diversidad que el profesor
    • Mejor representación del texto en todos los casos.
    • Soporte para resolución ilimitada
    • Menos variedad entre diferentes semillas.
  8. En la pérdida por destilación de ADD, ¿cuál es el objetivo del estudiante?
    • La predicción sin ruido del profesor sobre la producción de los estudiantes con nuevo ruido
    • Una imagen real aleatoria
    • Los logits del discriminador
    • La puntuación CLIP del mensaje