由Meta AI于2023年提出的扩散模型架构，以Vision Transformer替代传统U-Net作为扩散模型的主干网络，具有优秀的大规模参数扩展性，被Sora等前沿视频生成模型采用
扩散模型的反向过程通常使用U-Net或DiT（Diffusion Transformer）架构来预测每一步应去除的噪声量
Transformer架构被引入视觉生成（如Vision Transformer、DiT架构），使模型能更好理解图像不同区域间的全局关系，适用于多模态场景中文本token和图像token的统一处理
DiT架构成为Sora、Kling、Wan等主流视频生成模型的共同技术选择