| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | 6 | 7 |
| 8 | 9 | 10 | 11 | 12 | 13 | 14 |
| 15 | 16 | 17 | 18 | 19 | 20 | 21 |
| 22 | 23 | 24 | 25 | 26 | 27 | 28 |
| 29 | 30 | 31 |
Tags
- rotary position embedding
- catastrophic forgetting
- fréchet inception distance
- MQA
- 트랜스포머
- extended thinking
- chain-of-thought
- PEFT
- context engineering
- Embedding
- self-attention
- flashattention
- BLEU
- Langchain
- MHA
- langgraph
- Multi-Head Attention
- transformer
- re-ranking
- RLHF
- gqa
- CoT
- model context protocol
- 토크나이저
- Positional Encoding
- Engineering at Anthropic
- attention
- test-time scaling
- SK AI SUMMIT 2025
- reinforcement learning from human feedback
Archives
- Today
- Total
목록mode collapse (1)
AI Engineer 공간 "사부작 사부작"
텍스트-이미지 생성 모델 평가의 삼각축: CLIP 점수, FID, 다양성으로 완성하는 AI 화가의 실력 측정법
텍스트-이미지 모델, 얼마나 잘 그리고 있을까? CLIP, FID, 다양성으로 평가하기마법처럼 텍스트만 입력하면 뚝딱 이미지를 만들어내는 텍스트-이미지 모델! "푸른 초원에서 책을 읽는 고양이"라고 말하면 상상 속 장면이 눈앞에 펼쳐지니, 정말 놀라운 기술이죠. 하지만 이 모델들이 얼마나 '잘' 그리고 있는지, 우리가 원하는 바를 정확히 표현해 내는지는 어떻게 알 수 있을까요? 마치 화가의 그림을 감상하듯, 모델이 생성한 이미지도 다양한 기준으로 평가받습니다. 이 글에서는 텍스트-이미지 모델의 성능을 평가하는 주요 잣대인 프롬프트 정렬(CLIP 점수), 이미지 품질/사실성(FID), 그리고 다양성에 대해 쉽고 자세하게 알아보겠습니다.프롬프트 정렬 및 충실성: CLIP 점수 – "내 말을 얼마나 잘 알아들..
Theory/Evaluation-Benchmarking
2025. 6. 4. 22:53