Questionário de geração de movimento do AnimateDiff

As respostas e explicações aparecem conforme você responde ao teste.

1. Qual é a ideia central por trás do AnimateDiff?
   • Treinando um novo modelo de vídeo do zero em milhões de clipes
   • Interpolando entre duas imagens usando apenas fluxo óptico
   • Gravando vídeo real e reestilizando-o quadro a quadro
   • Conectando um módulo de movimento treinado em um modelo de difusão de imagem congelada
2. What checkpoint compatibility condition matters when reusing an AnimateDiff motion module?
   • Every image generator accepts every motion module regardless of architecture
   • The personalized image checkpoint must be compatible with the supported base architecture and module
   • Freezing any arbitrary model makes it automatically compatible
   • The image checkpoint's filename alone establishes compatibility
3. Como o módulo de movimento mantém os quadros consistentes entre si?
   • Através de camadas de atenção temporal que permitem que os quadros percorram o tempo
   • Ao desfocar cada quadro igualmente
   • Gerando apenas um quadro e copiando-o
   • Usando uma animação pré-gravada fixa
4. Qual família de modelos o AnimateDiff está mais associado à extensão?
   • Modelos de linguagem GPT
   • Modelos de reconhecimento de fala
   • Modelos de imagem de difusão estável
   • Modelos de regressão tabular
5. O que um LoRA de movimento no ecossistema AnimateDiff normalmente controla?
   • O vocabulário do codificador de texto
   • Movimentos específicos da câmera, como panorâmica, zoom ou rotação
   • A trilha de áudio do vídeo
   • O formato do arquivo de saída
6. How should a sixteen-frame AnimateDiff result be interpreted relative to the method's possible configurations?
   • As a guarantee that every deployment must output exactly sixteen frames
   • As proof that the method generates a feature-length film in one step
   • As a rule that the generated video contains only a single still image
   • As a short-clip configuration, rather than a universal fixed duration for every version
7. What does SparseCtrl add to an AnimateDiff-style generation workflow?
   • A requirement to provide a manually labeled image for every frame
   • An audio transcription model that replaces temporal attention
   • Conditioning from a sparse set of reference images at selected frame positions
   • A guarantee that any unrelated image architecture is compatible
8. How does a motion LoRA's camera control differ from SparseCtrl's reference-image guidance?
   • A motion LoRA steers a learned movement pattern, while SparseCtrl supplies visual content at selected frames
   • They are identical names for a text tokenizer
   • SparseCtrl controls only the video filename
   • Motion LoRAs require a complete reference frame at every timestamp