待验证50% 置信事实精确时间
DiT以Transformer块替代卷积层，相比早期采用UNet结构的扩散模型在高分辨率生成上表现更优
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
已验证2020年ViT（Vision Transformer）将图像切分为固定大小的Patch序列送入Transformer处理，打破了CNN的归纳偏置限制64% 相似待验证基于 Vision Transformer 架构的 ViTPose 在标准基准数据集 COCO 上达到了更高精度63% 相似待验证标准Transformer自注意力计算量随序列长度平方增长，超长上下文通过FlashAttention、RoPE配合YaRN频率插值、稀疏注意力等技术组合实现61% 相似已验证ViT（Vision Transformer）将图像切分为固定大小的16×16 patch序列后输入标准Transformer60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1002361API
curl https://kongchang.com/api/v1/knowledge/claims/1002361MCP
get_claim(id=1002361)