Prueba de coincidencia de flujo

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

1. ¿Qué aprende a predecir directamente un modelo de coincidencia de flujo?
   • Un campo de velocidad que mueve muestras del ruido hacia los datos.
   • Una etiqueta de clasificación para cada imagen.
   • Los bytes JPEG comprimidos de una imagen.
   • Una tabla de búsqueda fija de valores de píxeles.
2. ¿Cómo se generan las muestras a partir de un modelo de coincidencia de flujo entrenado?
   • Muestreando una cadena discreta de palabras de Markov
   • Integrando el campo de velocidad aprendido con un solucionador de ODE a partir del ruido
   • Ejecutando el descenso de gradiente en la imagen de entrada
   • Promediando todo el conjunto de entrenamiento
3. ¿Qué hace que la pérdida de coincidencia de flujo condicional sea manejable para entrenar?
   • Ignora los datos por completo.
   • Requiere resolver analíticamente el campo marginal completo.
   • Se condiciona a un único punto de datos y utiliza una ruta de interpolación conocida simple.
   • Sólo funciona en una imagen a la vez para siempre.
4. ¿Por qué la variante de 'flujo rectificado' permite una generación más rápida?
   • Utiliza redes neuronales más grandes.
   • Se salta el entrenamiento por completo.
   • Primero convierte imágenes a texto.
   • Endereza las rutas de probabilidad por lo que se necesitan menos pasos del solucionador de ODE
5. Which named image model’s paper explicitly describes a rectified-flow transformer?
   • Stable Diffusion 3
   • Flux, as established by the cited source set
   • ResNet-50
   • YOLOv8
6. En la comparación de flujo condicional, ¿cuál es una interpolación típica entre una muestra de ruido y una muestra de datos en el tiempo t?
   • Una mezcla aleatoria de píxeles
   • x_t = (1-t)*ruido + t*datos, una combinación en línea recta
   • Cuadrando cada valor de píxel
   • Ordenar píxeles por brillo
7. In conditional flow matching, how is the marginal vector field related to conditional vector fields?
   • It is the largest vector in the training batch
   • It is a fixed class label independent of time
   • It is the conditional expectation of the conditional vector field over the conditioning variable
   • It is the average pixel value of the data
8. Beyond generative modeling, what other task does the original rectified-flow paper describe?
   • Speech diarization with speaker embeddings
   • Classifying handwritten digits from labels alone
   • Predicting calendar availability
   • Data or domain transfer between distributions