Questionário vinculado ao guia · Médio Nível

Questionário do modelo de difusão GLIDE

Explore a geração e pintura guiada por texto do GLIDE, treinamento condicional, amostragem livre de classificador e sua arquitetura de modelo histórico.

Caminhos de guia relacionadosModelo de difusão deslizante
Pergunta 1 de 8

Qual método de orientação o GLIDE descobriu que produzia imagens melhores e mais fiéis?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual método de orientação o GLIDE descobriu que produzia imagens melhores e mais fiéis?
    • Orientação sem classificador
    • Orientação CLIP
    • Sem orientação
    • Edição manual
  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. Como funciona a orientação sem classificador durante o treinamento?
    • O modelo só vê o prompt correto
    • Um classificador de imagem separado é treinado junto
    • Os prompts são traduzidos em números aleatoriamente
    • O modelo às vezes vê o prompt real e às vezes um prompt em branco
  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. Por que OpenAI lançou publicamente apenas uma versão menor e filtrada do GLIDE?
    • O modelo completo foi perdido
    • Funcionava apenas em supercomputadores
    • Preocupações sobre o uso indevido de um poderoso gerador de imagens
    • Licenciamento de terceiros
  6. Que recurso prático de edição o GLIDE suporta?
    • Pintura baseada em texto
    • Transcrição de áudio
    • Fórmulas de planilha
    • Renderização de vídeo
  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