02_视频生成核心基础架构模型
请讲一讲T5模型的原理,以及在视频生成领域的作用
原题T5对原始Transformer做了哪些简化修改（如层归一化位置、位置编码）？这些修改如何影响训练效率和稳定性？
原题T5的文本到文本框架如何适配多模态任务（如视频描述生成）？需对架构或训练策略做哪些调整？
原题视频生成中需解决“文本-视频语义对齐”问题，T5如何参与这一过程？关键技术是什么？
原题视频编辑任务（如“将视频中白天的街道改为夜晚”）中，T5如何辅助实现可控编辑？
原题T5在文本到视频生成（Text-to-Video Generation）中扮演什么角色？其核心优势是什么？
原题请讲一讲CLIP模型的原理及其应用场景？
原题请介绍下什么是对比学习？
原题请介绍下对比学习有哪些常见的方法？
原题请讲一讲BLIP2模型的原理及其优势？
原题在BLIP2中的Q-Former作用是什么？
原题BLIP2中的Q-Former有什么缺点？
原题请讲一讲StableDiffusion模型的原理及其应用场景？
原题请介绍下StableDiffusion和latent-diffusion什么关系？
原题位置编码在Transformer中的作用?
原题为什么Transformer适合多模态任务？
原题Transformer的并行化体现在哪个地方？
原题为什么Transformer一般使用LayerNorm？
原题Transformer为什么使用多头注意力机制？
原题Transformer训练的Dropout是如何设定的？
原题
暂无题目