多模态扩散Transformer，一种文本生成图像的主流架构，将图像token和文本token拼接后共同参与自注意力计算，实现图文双向交互，代表模型包括SD3和FLUX
SD3引入了MMDiT（Multi-Modal Diffusion Transformer）架构，用Transformer替代了传统的U-Net骨干网络，并采用三重文本编码器（CLIP ViT-L、OpenCLIP ViT-bigG、T5-XXL）