Kuis Panduan Bebas Pengklasifikasi

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Mengapa model difusi menerapkan panduan bebas pengklasifikasi?
   • Untuk memperkuat seberapa dekat keluaran mengikuti perintah pengondisian
   • Untuk mengompresi model menjadi ukuran yang lebih kecil
   • Untuk menghapus encoder teks seluruhnya
   • Untuk mengubah gambar menjadi audio
2. Bagaimana cara model belajar membuat prediksi tanpa syarat untuk panduan bebas pengklasifikasi?
   • Dengan melatih pengklasifikasi terpisah kedua
   • Dengan menjatuhkan pengkondisian secara acak selama pelatihan
   • Dengan hanya menggunakan gambar hitam
   • Dengan menonaktifkan GPU
3. Apa yang umumnya dilakukan dengan meningkatkan skala panduan?
   • Selalu tingkatkan keberagaman
   • Menghapus pengaruh prompt
   • Memperkuat kepatuhan yang cepat tetapi dapat menyebabkan kejenuhan yang berlebihan
   • Membuat gambar menjadi abu-abu
4. Kira-kira berapa banyak forward pass per langkah denoising yang diperlukan oleh panduan standar bebas pengklasifikasi?
   • Nol
   • Sepuluh
   • Seratus
   • Dua (satu bersyarat, satu tanpa syarat)
5. Apa keuntungan yang dimiliki panduan bebas pengklasifikasi dibandingkan panduan pengklasifikasi?
   • Tidak memerlukan pengklasifikasi yang dilatih secara terpisah
   • Ini membutuhkan lebih banyak data pelatihan
   • Ini hanya berfungsi pada model teks
   • Ini menghilangkan proses difusi
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