Quiz dotyczący modelu dyfuzji GLIDE

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Która metoda naprowadzania według GLIDE pozwoliła uzyskać lepsze, szybsze i wierniejsze obrazy?
   • Wskazówki bez klasyfikatorów
   • Wskazówki dotyczące CLIP-a
   • Brak wskazówek
   • Edycja ręczna
2. 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
3. Jak podczas szkolenia działają wskazówki wolne od klasyfikatorów?
   • Model zawsze widzi tylko właściwy monit
   • Równolegle trenowany jest oddzielny klasyfikator obrazu
   • Podpowiedzi są losowo tłumaczone na liczby
   • Model czasami widzi prawdziwy monit, a czasami pusty
4. 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
5. Dlaczego OpenAI udostępnił publicznie tylko mniejszą, przefiltrowaną wersję GLIDE?
   • Pełny model zaginął
   • Działał tylko na superkomputerach
   • Obawy związane z niewłaściwym użyciem potężnego generatora obrazów
   • Licencja od strony trzeciej
6. Jaką praktyczną funkcję edycji obsługiwał GLIDE?
   • Malarstwo sterowane tekstem
   • Transkrypcja dźwięku
   • Formuły arkusza kalkulacyjnego
   • Renderowanie wideo
7. 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
8. 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