CLIP اور Vision-Language Models Quiz

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. CLIP کے پیچھے بنیادی خیال کیا ہے؟
   • تصاویر کو چھوٹی فائلوں میں کمپریس کرنا
   • تصاویر اور متن کو ایک ہی مشترکہ ایمبیڈنگ اسپیس میں رکھنا
   • تصاویر سے 3D ماڈل تیار کرنا
   • تقریر کا متن میں ترجمہ کرنا
2. CLIP کون سا تربیتی طریقہ استعمال کرتا ہے؟
   • انسانی آراء سے کمک سیکھنا
   • ہر تصویر میں ہر چیز کو ہاتھ سے لیبل لگانا
   • متضاد سیکھنے جو تصویری متن کے مماثل جوڑوں کو ایک ساتھ کھینچتا ہے۔
   • تقریری ماڈل سے وزن کاپی کرنا
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. CLIP کس طرح پیمائش کرتا ہے کہ آیا کوئی تصویر اور کیپشن مماثل ہے؟
   • فائل سائز کے مقابلے کے لحاظ سے
   • ہر رنگ کے پکسلز گن کر
   • تصویر کا ٹائم اسٹیمپ چیک کرکے
   • ان کے ویکٹروں کے درمیان کوزائن مماثلت کے ذریعہ
5. CLIP کو تقریباً کتنے ڈیٹا پر تربیت دی گئی تھی؟
   • ہاتھ سے لیبل والی چند ہزار تصاویر
   • صرف متن، کوئی تصویر نہیں۔
   • ویب سے تقریباً 400 ملین تصویری متن کے جوڑے
   • ایک واحد کیوریٹ شدہ میوزیم مجموعہ
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