Prueba sobre el adaptador IP para mensajes de imagen

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

1. ¿Qué problema central aborda IP-Adapter?
   • Los modelos de difusión son demasiado lentos para ejecutarse en GPU de consumo
   • Las imágenes no pueden codificarse mediante redes neuronales
   • Las indicaciones de texto tienen dificultades para describir detalles visuales específicos como una cara o un estilo.
   • Las indicaciones de texto son demasiado cortas para caber en la memoria
2. How does the original IP-Adapter add image conditioning to text-to-image diffusion?
   • It retrains every parameter of the base model
   • It concatenates raw image pixels into the text tokenizer
   • It removes text conditioning whenever an image is supplied
   • It adds a separate image cross-attention path alongside text attention
3. Which checkpoint family did the original IP-Adapter paper demonstrate reusing a trained adapter with?
   • Any diffusion architecture regardless of its base model
   • Compatible custom checkpoints fine-tuned from the same base diffusion model
   • Only checkpoints with all adapter parameters retrained from scratch
   • Only a text encoder without a diffusion network
4. ¿Aproximadamente cuántos parámetros entrenables agrega el adaptador IP original?
   • Alrededor de 22 millones
   • Alrededor de 7 mil millones
   • Alrededor de 500
   • Alrededor de 100 mil millones
5. ¿Con qué herramienta se combina comúnmente IP-Adapter para el control de diseño?
   • Un corrector ortográfico
   • una hoja de cálculo
   • Un resumen de texto
   • ControlNet
6. ¿Qué codifica la imagen de referencia antes de que sus características ingresen al modelo?
   • Un generador de números aleatorios
   • El tokenizador de texto
   • Un codificador de imágenes CLIP congelado
   • Una búsqueda de base de datos
7. After the CLIP image encoder, what job does IP-Adapter's trainable projection perform?
   • It changes the diffusion model's tokenizer vocabulary
   • It maps the reference embedding into features compatible with the attention layers
   • It converts the generated image into a segmentation label
   • It trains CLIP from scratch for each reference photo
8. In IP-Adapter's decoupled attention design, how are text and image attention contributions used together?
   • Their attention outputs are combined to condition generation
   • Text attention is permanently discarded after training
   • Image features are used only to rename the output file
   • Each contribution must generate a separate finished image