扩散Transformer
将Transformer架构引入扩散模型的一类生成骨干网络，把带噪图像切成patch并线性嵌入为token序列，用多层Transformer块预测噪声或速度，取代传统U-Net。
时间轴 (近 90 天)
JiT工作表明，一个朴素的扩散Transformer只需将常用的速度预测（u-prediction）替换为干净图像预测（x0-prediction），就能直接在像素空间生成图像。
SoftCache完全免训练，并且不增加任何针对特定骨干网络的参数设置，可以直接应用于不同的扩散Transformer架构，无需针对每个模型进行超参数调整。
扩散Transformer（DiT）是将Transformer架构引入扩散模型的一类生成骨干网络，把带噪图像切成patch并线性嵌入为token序列，用多层Transformer块预测噪声或速度，取代传统扩散模型中的U-Net。
论文在多个概念和多种文生图扩散Transformer上验证，发现激活轨迹显著偏离直线
主流文生视频模型（包括Seedance、Kling、Sora等）均基于扩散Transformer架构，每次生成为独立随机采样，相同提示词两次生成结果存在显著差异
全部知识事实 (5)
JiT工作表明，一个朴素的扩散Transformer只需将常用的速度预测（u-prediction）替换为干净图像预测（x0-prediction），就能直接在像素空间生成图像。
50%待验证SoftCache完全免训练，并且不增加任何针对特定骨干网络的参数设置，可以直接应用于不同的扩散Transformer架构，无需针对每个模型进行超参数调整。
50%待验证扩散Transformer（DiT）是将Transformer架构引入扩散模型的一类生成骨干网络，把带噪图像切成patch并线性嵌入为token序列，用多层Transformer块预测噪声或速度，取代传统扩散模型中的U-Net。
50%待验证论文在多个概念和多种文生图扩散Transformer上验证，发现激活轨迹显著偏离直线
50%待验证主流文生视频模型（包括Seedance、Kling、Sora等）均基于扩散Transformer架构，每次生成为独立随机采样，相同提示词两次生成结果存在显著差异
50%