گائیڈ سے منسلک کوئز · درمیانہ سطح

گلائیڈ ڈفیوژن ماڈل کوئز

GLIDE ٹیکسٹ گائیڈڈ جنریشن اور پینٹنگ، مشروط تربیت، کلاسیفائر فری سیمپلنگ، اور اس کے تاریخی ماڈل فن تعمیر کو دریافت کریں۔

متعلقہ گائیڈ کے راستےگلائیڈ ڈفیوژن ماڈل
سوال 1 کی 8

GLIDE نے کونسا رہنمائی طریقہ تلاش کیا جس نے بہتر، زیادہ فوری وفادار تصاویر تیار کیں؟

ہر سوال کا جائزہ لیں۔8 سوالات

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

  1. GLIDE نے کونسا رہنمائی طریقہ تلاش کیا جس نے بہتر، زیادہ فوری وفادار تصاویر تیار کیں؟
    • درجہ بندی سے پاک رہنمائی
    • CLIP رہنمائی
    • کوئی رہنمائی نہیں۔
    • دستی ترمیم
  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. تربیت کے دوران درجہ بندی سے پاک رہنمائی کیسے کام کرتی ہے؟
    • ماڈل صرف صحیح پرامپٹ دیکھتا ہے۔
    • ایک الگ امیج کلاسیفائر کے ساتھ ساتھ تربیت دی جاتی ہے۔
    • اشارے کا بے ترتیب طور پر نمبروں میں ترجمہ کیا جاتا ہے۔
    • ماڈل کبھی کبھی اصلی اشارہ دیکھتا ہے اور کبھی خالی
  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 نے عوامی طور پر GLIDE کا صرف ایک چھوٹا، فلٹر شدہ ورژن کیوں جاری کیا؟
    • مکمل ماڈل کھو گیا تھا۔
    • یہ صرف سپر کمپیوٹرز پر چلتا تھا۔
    • طاقتور امیج جنریٹر کے غلط استعمال کے بارے میں خدشات
    • تیسرے فریق سے لائسنسنگ
  6. GLIDE نے کس عملی ترمیم کی خصوصیت کو سپورٹ کیا؟
    • متن سے چلنے والی پینٹنگ
    • آڈیو ٹرانسکرپشن
    • اسپریڈشیٹ فارمولے
    • ویڈیو رینڈرنگ
  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