什么？有人提出 DiT 是错的？

这个被认为是扩散模型领域核心基石的 DiT，竟然被质疑了。

这位网友表示，不仅数学上是错的，形式上是错的，甚至怀疑 DiT 根本就没有 Transformer？！

一石激起千层浪，网友们速速来围观。结果作者谢赛宁本人都立马站出来回应：

虽然知道楼主是标题党，但我还是忍不住要回应一下。

每个研究者都希望发现自己模型的不足，这是科学进步的动力。如果模型从未出错，反而值得担忧。

评价 DiT 需要提出假设、做实验、验证结果，而不是凭想象臆断，否则结论不仅可能错误，甚至完全不具科学性。

哇哦，先抨击了标题党，又强调了科学精神和实证方法的重要性，真的是很中肯的一番回应。

回过头来，咱先了解一下 DiT 为啥那么厉害。

要知道，早在 Transformer 占尽风头时，U-Net 在扩散模型领域仍然一枝独秀——

这时，DiT（Diffusion Transformers）横空出世，将 Transformer 与扩散模型融合，在计算效率和生成效果上均超越了基于 U-Net 的经典模型 ADM 和 LDM，同时把 Transformer 扩展到了图像视频领域。

如果 DiT 真错了，大量依赖 DiT 的生成模型都要崩塌，整个领域都得重新审视。

下面让我们来扒一扒这位网友针对 DiT 提出了哪些质疑。

关于 DiT 的可疑之处

他的观点均来源于论文《TREAD:Token Routing for Efficient Architecture-agnostic Diffusion Training》。

这篇论文主要提出一种Tread 策略，能够将早期层随机选取的 token 传递至模型的更深层。

值得注意的是，这种方法并不限于常见的 Transformer 模型，同样可以应用于状态空间模型，且无需对架构进行修改，也无需引入额外参数。

那网友是如何通过这篇论文质疑 DiT 的呢？

其一，他首先借助论文中的一张图对 DiT 提出了质疑，认为 DiT 架构本身就能轻松学会数据集—— FID 迅速降低，这说明架构里有某种隐含特性。

其二，上图表明 Tread 模型比 DiT 在 40 万次训练迭代上快 14 倍，比 DiT 在 700 万次迭代时的最佳表现快 37 倍。

由此，这位网友直接抨击，小幅度提升效果可能只是优化，如果提升幅度巨大，就是在否定之前的方法。

其三，质疑者还提出不要使用 DiT。

如果你非得在训练时 " 切掉部分网络 "，也就是用学习机制把它彻底禁用，那你的网络基本上就废了。

其四，研究表示，在训练过程中，DiT 中被恒等替换的网络单元越多，模型评估反而更好。

其五，DiT 整个架构都后置层归一化，扩散过程会产生动态范围极高的实际输出。

因此，需要使用对数尺度来表示采样开始和结束时的信噪比差异。

其六，针对 Adaptive Layer Normalization（自适应层归一化）方法，尽管模型叫 DiT，但在处理条件输入时，只是走了普通的 MLP 流程。

能看到的只是 label_y → timestep_t → embed → conditioning → MLP → bias terms，根本看不到 Transformer 的任何痕迹。

上面 6 条对 DiT 的反驳，都可以说是有理有据，甚至图文并茂。

那谢赛宁是如何回应的呢？

谢赛宁回应 Tread 与 "DiT 是错的 " 毫无关系

首先，谢赛宁对 Tread 模型的工作给予了肯定（人情世故）。

他认为 Tread 更像是随机深度（stochastic depth），其能收敛完全是因为正则化对特征稳健性的提升。

他还指出，尽管 Tread 模型挺有趣的，但与原帖作者所谓的 "DiT 是错的 " 的论断毫无关系。

谢赛宁强调，Lightning DiT 作为一种经过验证的强大升级（采用 swiglu、rmsnorm、rope、ps=1），只要条件允许，都推荐优先使用该版本。。

此外，目前还没有证据表明后置层归一化会引发问题。

回击完了质疑者，谢赛宁还不忘总结了一下自己的工作。

他表示：

过去这一年，最大的改进集中在内部表征学习（internal rep learning）上。

REPA（Representation Alignment）算是我们最早提出的方法，但现在已经有更多实现方式，比如：tokenizer 级别的修正（如 va-vae、REPA-E）、将语义 token 拼接到噪声潜变量中、解耦架构（如 DDT）、正则化方法（如 dispersive loss）或自表征对齐（self-representation alignment）等等。

其次，他们团队在训练模型时，始终采用随机插值 / 流分配来提升训练效果，而 SiT 则被用作基准方法来评估其他方法是否有效。

在 DiT 中，时间嵌入最好使用 adaln-zero，需注意的是，使用 adaln-zero 时最好共享参数，否则会白白浪费 30% 参数，而对于更复杂的分布（如文本嵌入），则使用 cross-attention。

最后，谢赛宁也是直接提出 sd-vae 才是 DiT 真正的症结所在，处理 256 × 256 分辨率的图像竟需 445.87 GFlops，还不是端到端的架构。

目前，像 va-vae 和 repa-e 这类方法只能解决部分问题，但更多改进方案正在不断涌现。

参考链接：

[ 1 ] https://x.com/sameQCU/status/1957223774094585872

[ 2 ] https://x.com/sainingxie/status/1957842855587639369

[ 3 ] https://arxiv.org/pdf/2501.04765

[ 4 ] https://arxiv.org/abs/2212.09748

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

 8 月 22 日本周五，下午 14 点，量子位 AI 沙龙邀请了RockFlow 创始人、CEO 赖蕴琦 Vakee，一同来聊AI Agent，怎么搞投资？

 欢迎线下参会！面对面交流 AI Agent、金融投资与 AI 创业   

一键关注 点亮星标

科技前沿进展每日见