Rehber bağlantılı sınav · Orta Seviye

GLIDE Difüzyon Modeli Testi

GLIDE metin kılavuzlu oluşturma ve iç boyamayı, koşullu eğitimi, sınıflandırıcısız örneklemeyi ve tarihsel model mimarisini keşfedin.

İlgili kılavuz yollarıKayma Difüzyon Modeli
Soru 1 arasında 8

GLIDE hangi yönlendirme yönteminin daha iyi, daha hızlı ve güvenilir görüntüler ürettiğini buldu?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. GLIDE hangi yönlendirme yönteminin daha iyi, daha hızlı ve güvenilir görüntüler ürettiğini buldu?
    • Sınıflandırıcısız rehberlik
    • CLIP kılavuzu
    • Rehberlik yok
    • Manuel düzenleme
  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. Sınıflandırıcısız rehberlik eğitim sırasında nasıl çalışır?
    • Model yalnızca doğru istemi görür
    • Ayrı bir görüntü sınıflandırıcı da eğitilir
    • İstemler rastgele sayılara çevrilir
    • Model bazen gerçek istemi, bazen de boş olanı görüyor
  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. OpenAI neden GLIDE'ın yalnızca daha küçük, filtrelenmiş bir sürümünü herkese açık olarak yayınladı?
    • Tam model kayboldu
    • Yalnızca süper bilgisayarlarda çalışıyordu
    • Güçlü bir görüntü oluşturucunun kötüye kullanılmasıyla ilgili endişeler
    • Üçüncü bir taraftan lisanslama
  6. GLIDE hangi pratik düzenleme özelliğini destekliyordu?
    • Metin odaklı iç boyama
    • Ses transkripsiyonu
    • Elektronik tablo formülleri
    • Video oluşturma
  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