Викторина, связанная с руководством · Средний Уровень

Тест по модели диффузии GLIDE

Изучите генерацию и раскрашивание GLIDE с помощью текста, условное обучение, выборку без классификаторов и архитектуру исторической модели.

Связанные направляющие путиМодель скользящей диффузии
Вопрос 1 из 8

Какой метод наведения, по мнению GLIDE, дает более качественные и точные изображения?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какой метод наведения, по мнению GLIDE, дает более качественные и точные изображения?
    • Руководство без классификаторов
    • Руководство CLIP
    • Нет указаний
    • Ручное редактирование
  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. Как работает руководство без классификатора во время обучения?
    • Модель видит только правильную подсказку.
    • Параллельно обучается отдельный классификатор изображений.
    • Подсказки преобразуются в числа случайным образом.
    • Модель иногда видит настоящую подсказку, а иногда пустую.
  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. Почему OpenAI публично опубликовал только уменьшенную, отфильтрованную версию GLIDE?
    • Полная модель потерялась.
    • Он работал только на суперкомпьютерах
    • Опасения по поводу неправильного использования мощного генератора изображений
    • Лицензирование от третьего лица
  6. Какие практические функции редактирования поддерживает GLIDE?
    • Текстовая раскраска
    • Аудио транскрипция
    • Формулы электронных таблиц
    • Рендеринг видео
  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