Prueba de modelos de consistencia

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

1. ¿Qué problema central de los modelos de difusión abordan los modelos de consistencia?
   • El muestreo por difusión es lento porque necesita muchos pasos iterativos.
   • La difusión no puede generar imágenes en color.
   • La difusión utiliza muy poca memoria
   • La difusión solo funciona en texto
2. ¿Cuál es la propiedad de "autoconsistencia" para la cual estos modelos están entrenados para satisfacer?
   • Cada imagen debe ser del mismo color.
   • Cada punto en una trayectoria de ruido a datos se asigna al mismo punto final limpio
   • El modelo debe coincidir con un etiquetador humano.
   • La salida debe ser igual al ruido de entrada.
3. ¿Qué condición de frontera debe satisfacer la función de consistencia en el tiempo cero?
   • Debe producir ruido puro.
   • Debe generar una imagen negra.
   • Debe actuar como identidad (devolver la entrada sin cambios)
   • Debe generar el promedio del conjunto de datos.
4. ¿Cómo se puede crear un modelo de coherencia a partir de un modelo de difusión existente?
   • Eliminando la mitad de sus capas al azar
   • Convirtiéndolo en un árbol de decisión
   • Entrenándolo solo con datos de texto
   • Por destilación de consistencia del modelo de difusión previamente entrenado.
5. ¿Qué técnica estabiliza el entrenamiento de consistencia al proporcionar objetivos de aprendizaje?
   • Una red objetivo actualizada como una media móvil exponencial
   • Eliminar aleatoriamente la función de pérdida
   • Duplicar la tasa de aprendizaje en cada paso
   • Usando solo una imagen de entrenamiento
6. How many sampling steps did the Latent Consistency Models paper report for high-quality 768×768 image generation?
   • Hundreds of steps in every setting
   • Two to four sampling steps
   • Exactly one training epoch
   • No sampling or model evaluation
7. What are two training routes introduced for consistency models?
   • Only supervised image classification
   • Only adversarial training with a discriminator
   • Consistency distillation from a pretrained diffusion model and standalone consistency training
   • Token prediction and masked language modeling
8. Which zero-shot image-editing tasks did the consistency-model paper demonstrate?
   • Speech diarization and speaker verification
   • Machine translation and summarization
   • Database query planning and code completion
   • Inpainting, colorization and super-resolution