Quiz collegato alla guida · Medio Livello
Quiz sul modello di diffusione GLIDE
Esplora la generazione e l'integrazione guidata da testo di GLIDE, l'addestramento condizionale, il campionamento senza classificatore e la sua architettura del modello storico.
Domanda 1 di 8
Quale metodo di guida ha riscontrato che GLIDE ha prodotto immagini migliori e più fedeli alla realtà?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale metodo di guida ha riscontrato che GLIDE ha prodotto immagini migliori e più fedeli alla realtà?
- Guida senza classificatore
- Guida CLIP
- Nessuna guida
- Modifica manuale
- 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
- Come funziona la guida senza classificatore durante la formazione?
- Il modello vede sempre e solo il prompt corretto
- Insieme a questo viene addestrato un classificatore di immagini separato
- I prompt vengono tradotti in numeri in modo casuale
- Il modello a volte vede il prompt reale e talvolta uno vuoto
- 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
- Perché OpenAI ha rilasciato pubblicamente solo una versione più piccola e filtrata di GLIDE?
- Il modello completo è andato perduto
- Funzionava solo su supercomputer
- Preoccupazioni per l'uso improprio di un potente generatore di immagini
- Licenza da parte di terzi
- Quale funzionalità pratica di modifica supportava GLIDE?
- Inpainting guidato dal testo
- Trascrizione audio
- Formule del foglio di calcolo
- Rappresentazione video
- 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
- 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