Kuiz Bimbingan Tanpa Pengelas

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Mengapakah model resapan menggunakan panduan tanpa pengelas?
   • Untuk mengukuhkan seberapa dekat output mengikut gesaan pelaziman
   • Untuk memampatkan model menjadi saiz yang lebih kecil
   • Untuk mengalih keluar pengekod teks sepenuhnya
   • Untuk menukar imej kepada audio
2. Bagaimanakah model belajar membuat ramalan tanpa syarat untuk panduan tanpa pengelas?
   • Dengan melatih pengelas berasingan kedua
   • Dengan menjatuhkan penyaman secara rawak semasa latihan
   • Dengan hanya menggunakan imej hitam
   • Dengan melumpuhkan GPU
3. Apakah yang dilakukan secara amnya meningkatkan skala panduan?
   • Sentiasa menambah baik kepelbagaian
   • Mengalih keluar pengaruh gesaan
   • Menguatkan pematuhan segera tetapi boleh menyebabkan terlalu tepu
   • Menjadikan imej skala kelabu
4. Secara kasar berapa banyak hantaran ke hadapan setiap langkah denoising yang diperlukan oleh panduan bebas pengelas standard?
   • Sifar
   • Sepuluh
   • Seratus
   • Dua (satu bersyarat, satu tidak bersyarat)
5. Apakah kelebihan panduan tanpa pengelas berbanding panduan pengelas?
   • Ia tidak memerlukan pengelas terlatih secara berasingan
   • Ia memerlukan lebih banyak data latihan
   • Ia hanya berfungsi pada model teks
   • Ia menghapuskan proses penyebaran
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