Questionário vinculado ao guia · Médio Nível

Questionário sobre adaptador IP para prompts de imagem

Teste a solicitação de imagens com o adaptador IP, incluindo codificadores congelados, atenção desacoplada, recursos de projeção e condicionamento combinado de texto-imagem.

Caminhos de guia relacionadosAdaptador IP para prompts de imagem
Pergunta 1 de 8

Qual problema principal o adaptador IP aborda?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual problema principal o adaptador IP aborda?
    • Os modelos de difusão são muito lentos para serem executados em GPUs de consumo
    • As imagens não podem ser codificadas por redes neurais
    • Os prompts de texto têm dificuldade para descrever detalhes visuais específicos, como um rosto ou estilo
    • Os prompts de texto são muito curtos para caber na memória
  2. How does the original IP-Adapter add image conditioning to text-to-image diffusion?
    • It retrains every parameter of the base model
    • It concatenates raw image pixels into the text tokenizer
    • It removes text conditioning whenever an image is supplied
    • It adds a separate image cross-attention path alongside text attention
  3. Which checkpoint family did the original IP-Adapter paper demonstrate reusing a trained adapter with?
    • Any diffusion architecture regardless of its base model
    • Compatible custom checkpoints fine-tuned from the same base diffusion model
    • Only checkpoints with all adapter parameters retrained from scratch
    • Only a text encoder without a diffusion network
  4. Aproximadamente quantos parâmetros treináveis o adaptador IP original adiciona?
    • Cerca de 22 milhões
    • Cerca de 7 bilhões
    • Cerca de 500
    • Cerca de 100 bilhões
  5. Com qual ferramenta o IP-Adapter é comumente combinado para controle de layout?
    • Um corretor ortográfico
    • Uma planilha
    • Um resumidor de texto
    • ControlNet
  6. O que codifica a imagem de referência antes que suas características entrem no modelo?
    • Um gerador de números aleatórios
    • O tokenizador de texto
    • Um codificador de imagem CLIP congelada
    • Uma pesquisa no banco de dados
  7. After the CLIP image encoder, what job does IP-Adapter's trainable projection perform?
    • It changes the diffusion model's tokenizer vocabulary
    • It maps the reference embedding into features compatible with the attention layers
    • It converts the generated image into a segmentation label
    • It trains CLIP from scratch for each reference photo
  8. In IP-Adapter's decoupled attention design, how are text and image attention contributions used together?
    • Their attention outputs are combined to condition generation
    • Text attention is permanently discarded after training
    • Image features are used only to rename the output file
    • Each contribution must generate a separate finished image