待验证50% 置信事实精确时间

在MMDiTs（如SD3、FLUX）中，图像token和文本token被拼接在一起共同参与同一套自注意力计算，使两者可以双向相互修改，这与早期Stable Diffusion使用的单向交叉注意力不同

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

抑制图像反文本反馈：SFG提升扩散模型生成对齐

涉及实体

MMDiTsconcept SD3model FLUXmodel Stable Diffusionmodel

相关事实

已验证IP-Adapter采用解耦的交叉注意力机制，将参考图像特征向量作为额外视觉提示词注入，但风格迁移与内容控制之间存在权衡68% 相似待验证交叉注意力融合方式往往优于简单拼接，因为它保留了模态间的灵活交互能力68% 相似待验证DeBERTa-v3-small 引入解耦注意力机制，在小参数量下保持更强的文本理解能力67% 相似待验证Prompt-to-Prompt的核心洞见是扩散模型中交叉注意力层的注意力图直接控制了图像的空间布局67% 相似待验证扩散模型中实现多风格融合的核心技术是交叉注意力机制，在U-Net每层中图像特征作为Query，文本嵌入作为Key和Value65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1002372

API

curl https://kongchang.com/api/v1/knowledge/claims/1002372

MCP

get_claim(id=1002372)