Викторина без классификатора

Ответы и пояснения появляются по мере прохождения теста.

1. Почему диффузионные модели применяют руководство без классификаторов?
   • Чтобы усилить то, насколько точно выходные данные соответствуют подсказке кондиционирования.
   • Сжатие модели до меньшего размера
   • Чтобы полностью удалить текстовый кодировщик
   • Чтобы преобразовать изображения в аудио
2. Как модель учится делать безусловные прогнозы для руководства без классификаторов?
   • Путем обучения второго отдельного классификатора
   • Случайным образом снижая физическую форму во время тренировки.
   • Использование только черных изображений
   • Отключив графический процессор
3. Что обычно дает увеличение шкалы ориентировок?
   • Всегда улучшает разнообразие
   • Удаляет влияние подсказки
   • Усиливает быстрое соблюдение режима лечения, но может вызвать перенасыщение
   • Делает изображение полутоновым
4. Сколько примерно проходов вперед на шаг шумоподавления требует стандартное руководство без классификатора?
   • Ноль
   • Десять
   • Сто
   • Два (один условный, один безусловный)
5. Какое преимущество имеет руководство без классификатора перед руководством с использованием классификатора?
   • Ему не нужен отдельно обученный классификатор.
   • Требуется больше обучающих данных
   • Работает только с текстовыми моделями.
   • Устраняет процесс диффузии
6. In the common classifier-free guidance formula, what does guidance scale s=0 produce?
   • The conditional prediction with extra amplification
   • The unconditional model prediction without conditioning
   • A prediction from a separately trained classifier
   • A sample with all denoising removed
7. How does classifier-free guidance combine model outputs at inference?
   • It combines two image classifiers
   • It removes the conditional prompt
   • It combines conditional and unconditional score estimates
   • It adds a learned reward model after decoding
8. What does a guidance scale of 1 generally correspond to in the common formulation?
   • The unconditional prediction only
   • A classifier-based gradient
   • A zero-noise image
   • The conditional prediction without extra guidance amplification