CFL-001 Conflict

Incompatibility

CLM-009（DiT, PPR-2212.09748）断言 “U-Net 归纳偏置对 diffusion 的生成质量非关键——标准 ViT 可直接替换 U-Net backbone 并取得更优 FID”；CLM-015（LDM, PPR-2112.10752）断言“LDM 的 first-stage 由 2D 卷积 U-Net 构建，其 conv 归纳偏置可容忍更低压缩、重建更保真（f=8 重建 R-FID 1.14）”。

两句话都出现 “U-Net / 卷积归纳偏置”，且一个说“非关键”、一个说“关键”，字面对撞。双源并列时最易被误读为矛盾，故实体化留档（A3 可见性要求）。

2026-09-07 复核：CLM-009 命题限定“优于 U-Net-based diffusion 模型”后复跑 D12：条件 1/2 状态不变、张力降低；提议分类维持不变（proposed-type=terminology-difference）。final-type 待人工裁决。

2026-09-07 二次复跑（CLM-015 reframe 触发，D12）：CLM-015 新命题明确锚定 first-stage 压缩/重建轴，否定对象为 1D-AR tokenize（非 ViT），并在命题内显式标注 low-compression 区间边界。条件 1/2/3 结论均不变（所指网络/功能维度/对比基线三重不同），张力较上次复核注记进一步降低，疑似不相容明显不成立。提议分类维持 proposed-type= terminology-difference；建议用户回填 final-type=terminology-difference 并关闭本 CFL（DA7 人工关卡，仅建议不代裁）。

Proposed Reading

0. 论文核实：两处 “U-Net” 不是同一个网络

把两篇论文原文对齐后，CLM-009 与 CLM-015 所指的 backbone 是两个不同的物理网络：

论文原文证据：

• DiT §1：“the U-Net inductive bias is not crucial to the performance of diffusion models, and they can be readily replaced with standard designs such as transformers”；“we can successfully replace the U-Net backbone with a transformer”——替换对象是 diffusion 去噪网络（second-stage）。
• DiT §4：“we use an off-the-shelf pre-trained variational autoencoder (VAE) ... The VAE encoder has a downsample factor of 8”——DiT 保留了 LDM 的 first-stage 压缩器，未替换它。
• DiT §2 末：“we use off-the-shelf convolutional VAEs and transformer-based DDPMs”——DiT 最终流水线里两个 backbone 同时存在：压缩器仍是卷积 VAE，生成器换成了 transformer。这直接排除了“两者是同一网络”的可能。
• LDM §3.2：first-stage 是 “an autoencoder trained by combination of a perceptual loss and a patch-based adversarial objective”（基于 VQGAN），encoder 下采样因子 f。
• LDM §3.3：second-stage 生成器 “is realized as a time-conditional UNet”；因 latent 保持二维结构，故 “we can take advantage of image-specific inductive biases ... This includes the ability to build the underlying UNet primarily from 2D convolutional layers”——对比 "previous works [VQGAN/DALL·E], which relied on an arbitrary 1D ordering of the learned space z to model its distribution autoregressively”。

结论：两个 backbone 位于两阶段架构的不同位置，独立训练、结构不同、职责不同；CLM-009 只动 second-stage，CLM-015 锚定 first-stage。“都叫 U-Net”是 Ronneberger U-Net 作为通用 encoder-decoder 骨架的历史巧合，不构成同一对象。

1. 按 Definition 12 三条件逐条核对

条件 1 术语对齐 —— 失败（主因）：两命题断言的不是同一量——CLM-009 断言生成器 backbone（U-Net vs ViT）对生成质量（FID）的作用；CLM-015 断言压缩器 backbone（conv vs 1D-AR）对重建保真（R-FID/PSNR/LPIPS/SSIM）的作用。所指网络不同、功能维度不同（生成 vs 重建）、对比基线不同（vs ViT vs vs 1D-AR）。按判据顺序，条件 1 失败 → terminology-difference。

条件 2 Scope 重叠 —— 不成立：两 scope 在 “ImageNet” 上表面相交，但 CLM-009 是生成评估设定（class-cond ImageNet 256/512），CLM-015 是重建评估设定（first-stage, f=8/16, ImageNet-Val 重建指标），不构成可同时求值的同一设置；即便有歧义，按保守缺省判不成立。

条件 3 不可同真 —— 不成立：两命题可同真且互补——first-stage 用 2D 卷积压缩（保重建），second-stage 用 ViT 生成（conv 非关键）。CLM-009 不否认 conv 在压缩/重建中的作用；CLM-015 不否认 ViT 能替换 U-Net 做生成。即便把 CLM-015 放宽读作 “second-stage 用 2D 卷积而非 AR”，其否定对象是 AR transformer，而 CLM-009 提议的是 ViT（非 AR）——CLM-015 从未断言 “ViT 不可行”，二者仍可同真。

2. 提议分类与后果

提议分类：terminology-difference（条件 1 失败为主因；两处 “U-Net” 同名异物）。

后果：不改动 CLM-009 / CLM-015 的 epistemic（terminology-difference 不改 epistemic，Definition 12 后果耦合）；仅在 Concept 层补 “U-Net 归纳偏置” 的维度消歧（生成 backbone vs 压缩 backbone，T-INTEGRATE）。CLM-009 自身 epistemic 为 partially-supported（EVI-009 标注非受控对比），本 CFL 不改变该状态。

3. 需诚实标注的耦合细节

CLM-015 的 “2D 卷积（非 AR）可容忍低压缩” 在 LDM 原文里的论证部分落在 second-stage 架构选择上（LDM §3.3：latent 保持二维，故 second-stage 用 2D 卷积 UNet 而非 1D 展平的 AR），而重建指标（R-FID/PSNR）锚定 first-stage 压缩器。这一耦合不改变判定：无论把 CLM-015 读作 first-stage 压缩器断言还是 second-stage 架构断言，其否定对象都是 AR transformer；CLM-009 提议的是 ViT（非 AR），二者不构成互为否定，仍可同真。

人工裁决待办

• [ ] 人工裁决回填 final-type（预期：terminology-difference 或 none）
• [ ] 裁决后更新 status（open → human-resolved / superseded）
• [ ] （可选）确认是否在 CPT 层补 “U-Net 归纳偏置” 的 Disambiguation（同名异物记录）

人工裁决（2026-09-07，用户）

用户确认：不相容不成立。回填 final-type=terminology-difference（两次 D12 复跑结论一致：两处 “U-Net” 为同名异物——second-stage 去噪网络 vs first-stage 压缩器，所指网络/功能维度/对比基线三重不同，条件 1 失败为主因），status=human-resolved。epistemic 不变（terminology-difference 不触发后果耦合，D12）。裁决与提议一致，无分歧留档。