Cuestionario vinculado a una guía · Medio Nivel

Prueba del modelo de difusión GLIDE

Explore la generación guiada por texto de GLIDE y la pintura, el entrenamiento condicional, el muestreo sin clasificadores y su arquitectura de modelo histórico.

Rutas de guía relacionadasModelo de difusión de deslizamiento
Pregunta 1 de 8

¿Qué método de guía encontró GLIDE que producía imágenes mejores y más fieles?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué método de guía encontró GLIDE que producía imágenes mejores y más fieles?
    • Orientación sin clasificador
    • Guía CLIP
    • Sin orientación
    • Edición manual
  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. ¿Cómo funciona la orientación sin clasificador durante la formación?
    • El modelo solo ve el mensaje correcto.
    • Se entrena un clasificador de imágenes independiente junto con
    • Las indicaciones se traducen a números aleatoriamente
    • El modelo a veces ve el mensaje real y otras veces uno en blanco.
  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. ¿Por qué OpenAI lanzó públicamente solo una versión más pequeña y filtrada de GLIDE?
    • El modelo completo se perdió.
    • Funcionaba sólo en supercomputadoras.
    • Preocupaciones por el mal uso de un potente generador de imágenes
    • Licencia de un tercero
  6. ¿Qué función de edición práctica admitía GLIDE?
    • Pintura basada en texto
    • Transcripción de audio
    • Fórmulas de hoja de cálculo
    • Representación de vídeo
  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