डिफ्यूजन ट्रांसफार्मर प्रश्नोत्तरी

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

1. पारंपरिक प्रसार मॉडल की तुलना में डिफ्यूजन ट्रांसफार्मर किस घटक को प्रतिस्थापित करता है?
   • कनवल्शनल यू-नेट डिनोइज़र
   • पाठ एनकोडर
   • छवि विकोडक
   • शोर अनुसूची
2. एक DiT एक छवि को ऐसी चीज़ में कैसे बदल देता है जिसे ट्रांसफार्मर संसाधित कर सकता है?
   • यह पिक्सल को सीधे शब्दों में परिवर्तित करता है
   • यह अव्यक्त छवि को टोकन के रूप में व्यवहारित पैच में विभाजित करता है
   • यह पूरी छवि के लिए एक टोकन का उपयोग करता है
   • यह पहले इमेज को ऑडियो में परिवर्तित करता है
3. स्केलिंग के बारे में मूल डीआईटी पेपर में क्या पाया गया?
   • आकार के साथ निष्पादन पठार शीघ्रता से
   • बड़े मॉडल हमेशा ख़राब प्रदर्शन करते हैं
   • जैसे-जैसे मॉडल का आकार बढ़ता है और पैच का आकार सिकुड़ता है, प्रदर्शन में अनुमानित रूप से सुधार होता है
   • पैच आकार का कोई प्रभाव नहीं पड़ता
4. DiTs आम तौर पर टाइमस्टेप और टेक्स्ट प्रॉम्प्ट जैसी कंडीशनिंग कैसे इंजेक्ट करते हैं?
   • इसे अतिरिक्त पिक्सेल के रूप में जोड़कर
   • प्रत्येक चरण में मॉडल को पुनः प्रशिक्षित करके
   • एक अलग संवेगात्मक शाखा के माध्यम से
   • अनुकूली परत सामान्यीकरण (एडीएएलएन) के माध्यम से
5. 'एडीएएलएन-शून्य' आरंभीकरण क्या पूरा करता है?
   • यह प्रत्येक ट्रांसफार्मर ब्लॉक को स्थिर प्रशिक्षण के लिए एक पहचान फ़ंक्शन के रूप में शुरू करता है
   • यह सामान्यीकरण परतों को हटा देता है
   • यह पूरे मॉडल को फ़्रीज़ कर देता है
   • यह इनपुट छवि को शून्य कर देता है
6. कौन सी प्रसिद्ध प्रणाली वीडियो निर्माण के लिए स्पेसटाइम पैच पर ट्रांसफार्मर बैकबोन का उपयोग करती है?
   • एक पारंपरिक गण
   • OpenAI का Sora
   • एक आवर्ती तंत्रिका नेटवर्क
   • एक निर्णय वृक्ष मॉडल
7. Why can full self-attention become costly when a DiT processes many patches?
   • Its cost stays constant for any token count
   • It must retrain the U-Net at each denoising step
   • Its pairwise token comparisons grow quadratically with the number of tokens
   • It requires a separate language model for every patch
8. After a DiT processes latent image patches with its Transformer blocks, what happens to the patch outputs?
   • As one text token for an entire video
   • As only a sequence of audio waveforms
   • As a separate convolutional U-Net for each frame
   • They are reassembled and decoded back into pixels