Gids-gekoppelde quiz · Middelmatig Niveau
GLIDE diffusiemodelquiz
Ontdek GLIDE tekstgestuurde generatie en inpainting, voorwaardelijke training, classifier-vrije sampling en de historische modelarchitectuur ervan.
Vraag 1 van 8
Welke begeleidingsmethode leverde volgens GLIDE betere, snellere en betrouwbaardere beelden op?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Welke begeleidingsmethode leverde volgens GLIDE betere, snellere en betrouwbaardere beelden op?
- Classifier-vrije begeleiding
- CLIP-geleiding
- Geen begeleiding
- Handmatig bewerken
- 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
- Hoe werkt classifier-vrije begeleiding tijdens de training?
- Het model ziet altijd alleen de juiste prompt
- Daarnaast wordt een aparte beeldclassificator getraind
- Aanwijzingen worden willekeurig naar getallen vertaald
- Het model ziet soms de echte prompt en soms een blanco prompt
- 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
- Waarom heeft OpenAI slechts een kleinere, gefilterde versie van GLIDE publiekelijk vrijgegeven?
- Het volledige model ging verloren
- Het draaide alleen op supercomputers
- Zorgen over misbruik van een krachtige beeldgenerator
- Licentie van een derde partij
- Welke praktische bewerkingsfunctie ondersteunde GLIDE?
- Tekstgestuurde inschildering
- Audiotranscriptie
- Spreadsheetformules
- Videoweergave
- 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