Questionário sobre transformadores de difusão

As respostas e explicações aparecem conforme você responde ao teste.

1. Qual componente um Transformador de Difusão substitui em comparação com os modelos de difusão tradicionais?
   • O denoiser convolucional U-Net
   • O codificador de texto
   • O decodificador de imagem
   • O cronograma de ruído
2. Como um DiT transforma uma imagem em algo que um Transformer pode processar?
   • Ele converte pixels diretamente em palavras
   • Ele divide a imagem latente em patches tratados como tokens
   • Ele usa um token para toda a imagem
   • Ele converte a imagem em áudio primeiro
3. O que o artigo original do DiT descobriu sobre o dimensionamento?
   • O desempenho estabiliza rapidamente com o tamanho
   • Modelos maiores sempre apresentam pior desempenho
   • O desempenho melhora de forma previsível à medida que o tamanho do modelo aumenta e o tamanho do patch diminui
   • O tamanho do patch não tem efeito
4. Como os DiTs normalmente injetam condicionamento como timestep e prompt de texto?
   • Anexando-o como pixels extras
   • Ao treinar novamente o modelo em cada etapa
   • Através de um ramo convolucional separado
   • Através da normalização da camada adaptativa (adaLN)
5. O que a inicialização 'adaLN-zero' realiza?
   • Faz com que cada bloco do Transformer comece como uma função de identidade para treinamento estável
   • Exclui as camadas de normalização
   • Congela todo o modelo
   • Ele zera a imagem de entrada
6. Qual sistema conhecido usa um backbone Transformer em patches de espaço-tempo para geração de vídeo?
   • Um GAN tradicional
   • OpenAI de Sora
   • Uma rede neural recorrente
   • Um modelo de árvore de decisão
7. Why can full self-attention become costly when a DiT processes many patches?
   • Its cost stays constant for any token count
   • It must retrain the U-Net at each denoising step
   • Its pairwise token comparisons grow quadratically with the number of tokens
   • It requires a separate language model for every patch
8. After a DiT processes latent image patches with its Transformer blocks, what happens to the patch outputs?
   • As one text token for an entire video
   • As only a sequence of audio waveforms
   • As a separate convolutional U-Net for each frame
   • They are reassembled and decoded back into pixels