Вікторина, пов’язана з посібником · Середній Рівень

Тест про модель дифузії GLIDE

Ознайомтеся з генерацією та малюванням тексту GLIDE, умовним навчанням, вибіркою без класифікаторів та історичною архітектурою моделі.

Пов'язані напрямні шляхиМодель дифузії ковзання
Питання 1 з 8

Який метод навігації, на думку GLIDE, створював кращі та точніші зображення?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Який метод навігації, на думку GLIDE, створював кращі та точніші зображення?
    • Керівництво без класифікатора
    • Керівництво CLIP
    • Без вказівок
    • Ручне редагування
  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. Як працює безкласифікаторне керівництво під час навчання?
    • Модель завжди бачить лише правильну підказку
    • Окремий класифікатор зображень навчається разом
    • Підказки перетворюються на числа випадковим чином
    • Модель іноді бачить справжню підказку, а іноді порожню
  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. Чому OpenAI публічно випустив лише меншу, відфільтровану версію GLIDE?
    • Повна модель була втрачена
    • Він працював тільки на суперкомп'ютерах
    • Занепокоєння щодо неправильного використання потужного генератора зображень
    • Ліцензування від третьої сторони
  6. Яку практичну функцію редагування підтримував GLIDE?
    • Текстове малювання
    • Транскрипція аудіо
    • Формули електронної таблиці
    • Рендеринг відео
  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