Prueba de generación de movimiento de AnimateDiff

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

1. ¿Cuál es la idea central detrás de AnimateDiff?
   • Entrenando un nuevo modelo de vídeo desde cero en millones de clips
   • Interpolar entre dos imágenes usando solo flujo óptico
   • Grabar vídeo real y rediseñarlo fotograma a fotograma.
   • Conexión de un módulo de movimiento entrenado en un modelo de difusión de imágenes congeladas
2. What checkpoint compatibility condition matters when reusing an AnimateDiff motion module?
   • Every image generator accepts every motion module regardless of architecture
   • The personalized image checkpoint must be compatible with the supported base architecture and module
   • Freezing any arbitrary model makes it automatically compatible
   • The image checkpoint's filename alone establishes compatibility
3. ¿Cómo mantiene el módulo de movimiento la coherencia de los fotogramas entre sí?
   • A través de capas de atención temporal que permiten que los fotogramas atiendan a lo largo del tiempo.
   • Desenfocando cada fotograma por igual
   • Generando solo un fotograma y copiándolo
   • Mediante el uso de una animación fija pregrabada.
4. ¿Con qué familia de modelos se asocia más AnimateDiff con la extensión?
   • Modelos de lenguaje GPT
   • Modelos de reconocimiento de voz
   • Modelos de imagen de difusión estable
   • Modelos de regresión tabular
5. ¿Qué controla normalmente un movimiento LoRA en el ecosistema AnimateDiff?
   • El vocabulario del codificador de texto.
   • Movimientos específicos de la cámara como panorámica, zoom o desplazamiento
   • La pista de audio del vídeo.
   • El formato de archivo de la salida.
6. How should a sixteen-frame AnimateDiff result be interpreted relative to the method's possible configurations?
   • As a guarantee that every deployment must output exactly sixteen frames
   • As proof that the method generates a feature-length film in one step
   • As a rule that the generated video contains only a single still image
   • As a short-clip configuration, rather than a universal fixed duration for every version
7. What does SparseCtrl add to an AnimateDiff-style generation workflow?
   • A requirement to provide a manually labeled image for every frame
   • An audio transcription model that replaces temporal attention
   • Conditioning from a sparse set of reference images at selected frame positions
   • A guarantee that any unrelated image architecture is compatible
8. How does a motion LoRA's camera control differ from SparseCtrl's reference-image guidance?
   • A motion LoRA steers a learned movement pattern, while SparseCtrl supplies visual content at selected frames
   • They are identical names for a text tokenizer
   • SparseCtrl controls only the video filename
   • Motion LoRAs require a complete reference frame at every timestamp