Quiz dotyczący modeli spójności

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki podstawowy problem z modelami dyfuzji rozwiązują modele spójności?
   • Próbkowanie dyfuzyjne jest powolne, ponieważ wymaga wielu iteracyjnych kroków
   • Rozproszenie nie może generować kolorowych obrazów
   • Rozproszenie zużywa zbyt mało pamięci
   • Rozproszenie działa tylko na tekście
2. Jaka jest właściwość „samospójności”, którą mają spełniać te modele?
   • Każdy obraz musi być tego samego koloru
   • Każdy punkt na trajektorii szumu do danych jest odwzorowywany do tego samego czystego punktu końcowego
   • Model musi zgadzać się z człowiekiem, który wystawia etykietę
   • Sygnał wyjściowy musi być równy szumowi wejściowemu
3. Jaki warunek brzegowy musi spełniać funkcja konsystencji w czasie zero?
   • Musi generować czysty szum
   • Musi generować czarny obraz
   • Musi działać jako tożsamość (zwróć dane wejściowe bez zmian)
   • Musi wyprowadzić średnią ze zbioru danych
4. Jak można utworzyć model spójności na podstawie istniejącego modelu dyfuzji?
   • Usuwając losowo połowę jego warstw
   • Konwertując go na drzewo decyzyjne
   • Ucząc go tylko na danych tekstowych
   • Przez destylację konsystencji wstępnie wytrenowanego modelu dyfuzji
5. Jaka technika stabilizuje trening spójności, zapewniając cele uczenia się?
   • Sieć docelowa aktualizowana jako wykładnicza średnia krocząca
   • Losowe usuwanie funkcji straty
   • Podwajanie szybkości uczenia się na każdym kroku
   • Używanie tylko jednego obrazu szkoleniowego
6. How many sampling steps did the Latent Consistency Models paper report for high-quality 768×768 image generation?
   • Hundreds of steps in every setting
   • Two to four sampling steps
   • Exactly one training epoch
   • No sampling or model evaluation
7. What are two training routes introduced for consistency models?
   • Only supervised image classification
   • Only adversarial training with a discriminator
   • Consistency distillation from a pretrained diffusion model and standalone consistency training
   • Token prediction and masked language modeling
8. Which zero-shot image-editing tasks did the consistency-model paper demonstrate?
   • Speech diarization and speaker verification
   • Machine translation and summarization
   • Database query planning and code completion
   • Inpainting, colorization and super-resolution