क्लासिफायर-मुक्त मार्गदर्शन प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. प्रसार मॉडल क्लासिफायर-मुक्त मार्गदर्शन क्यों लागू करते हैं?
   • यह मजबूत करने के लिए कि आउटपुट कंडीशनिंग प्रॉम्प्ट का कितनी बारीकी से पालन करता है
   • मॉडल को छोटे आकार में संपीड़ित करने के लिए
   • टेक्स्ट एनकोडर को पूरी तरह से हटाने के लिए
   • छवियों को ऑडियो में बदलने के लिए
2. एक मॉडल क्लासिफायर-मुक्त मार्गदर्शन के लिए बिना शर्त भविष्यवाणियां करना कैसे सीखता है?
   • एक दूसरे अलग क्लासिफायरियर को प्रशिक्षित करके
   • प्रशिक्षण के दौरान कंडीशनिंग को बेतरतीब ढंग से छोड़ने से
   • केवल काली छवियों का उपयोग करके
   • GPU को अक्षम करके
3. मार्गदर्शन पैमाने को बढ़ाने से आम तौर पर क्या होता है?
   • हमेशा विविधता में सुधार होता है
   • प्रॉम्प्ट का प्रभाव हटा देता है
   • शीघ्र पालन को मजबूत करता है लेकिन अतिसंतृप्ति का कारण बन सकता है
   • छवि को ग्रेस्केल बनाता है
4. मानक क्लासिफायर-मुक्त मार्गदर्शन के लिए प्रति डीनोइज़िंग चरण में लगभग कितने फॉरवर्ड पास की आवश्यकता होती है?
   • शून्य
   • दस
   • एक सौ
   • दो (एक सशर्त, एक बिना शर्त)
5. क्लासिफायर-मुक्त मार्गदर्शन का क्लासिफायर मार्गदर्शन की तुलना में क्या लाभ है?
   • इसके लिए अलग से प्रशिक्षित क्लासिफायरियर की आवश्यकता नहीं है
   • इसके लिए अधिक प्रशिक्षण डेटा की आवश्यकता है
   • यह केवल टेक्स्ट मॉडल पर काम करता है
   • यह प्रसार प्रक्रिया को समाप्त कर देता है
6. In the common classifier-free guidance formula, what does guidance scale s=0 produce?
   • The conditional prediction with extra amplification
   • The unconditional model prediction without conditioning
   • A prediction from a separately trained classifier
   • A sample with all denoising removed
7. How does classifier-free guidance combine model outputs at inference?
   • It combines two image classifiers
   • It removes the conditional prompt
   • It combines conditional and unconditional score estimates
   • It adds a learned reward model after decoding
8. What does a guidance scale of 1 generally correspond to in the common formulation?
   • The unconditional prediction only
   • A classifier-based gradient
   • A zero-noise image
   • The conditional prediction without extra guidance amplification