Test legat de ghid · Mediu Nivel

CLIP și Vision-Language Models Test

Review CLIP’s shared representations and contrastive pairing, with zero-shot labels, original encoder families, batch-score counts, and unCLIP.

Căi de ghidare aferenteModele de limbaj Clip și Vision
Întrebare 1 de 8

Care este ideea de bază din spatele CLIP?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Care este ideea de bază din spatele CLIP?
    • Comprimarea imaginilor în fișiere mai mici
    • Plasarea imaginilor și a textului în același spațiu de încorporare comun
    • Generarea de modele 3D din fotografii
    • Traducerea vorbirii în text
  2. Ce abordare de formare folosește CLIP?
    • Învățare prin consolidare din feedbackul uman
    • Etichetarea manuală a fiecărui obiect din fiecare imagine
    • Învățare contrastantă care reunește perechi imagine-text
    • Copierea greutăților dintr-un model de vorbire
  3. What does zero-shot classification mean in the original CLIP transfer setup?
    • Using text-defined candidate categories without new task-specific supervised classifier fitting
    • Using a model that never received any pretraining data
    • Running without any computation or electricity
    • A guarantee that every category is classified correctly
  4. Cum măsoară CLIP dacă o imagine și o legendă se potrivesc?
    • Prin comparație cu dimensiunea fișierului
    • Prin numărarea pixelilor fiecărei culori
    • Prin verificarea marcajului de timp al imaginii
    • Prin asemănarea cosinusului dintre vectorii lor
  5. Aproximativ pe câte date a fost instruit CLIP?
    • Câteva mii de imagini etichetate manual
    • Doar text, fără imagini
    • Aproximativ 400 de milioane de perechi imagine-text de pe web
    • O singură colecție de muzeu curată
  6. How does the cited unCLIP image-generation paper use CLIP representations?
    • The original standalone CLIP encoder directly outputs every image pixel
    • A prior supplies CLIP image embeddings to a generative decoder
    • It removes all image representations and uses only filenames
    • It uses CLIP only as a network-encryption protocol
  7. Which image-encoder families were evaluated in the original CLIP paper?
    • Only recurrent text encoders
    • Only a mandatory linear pixel average
    • Only a raw audio codec
    • Modified ResNets and Vision Transformers
  8. A CLIP batch contains 32 paired images and texts. How many entries are in its full cross-modal score matrix?
    • 1024
    • 32
    • 64
    • 992