CLM-012
Claim
CFG 大幅改善 DiT 生成质量，收益随 guidance scale 增大而递减，并伴随保真度升、多样性（recall）降的权衡；SOTA 数字均以 guidance 口径取得。
| id | |
|---|---|
| type | claim |
| source | PPR-2212.09748 |
| scope | DiT-XL/2 at 256x256 (7M steps) and 512x512 (3M steps); FID-50K, ft-EMA decoder; 3-channel guidance scales {1.25, 1.50} |
| epistemic | supported |
| lifecycle | RECONCILED |
| updated |
Proposition
classifier-free guidance 大幅改善 DiT 的生成质量，收益随 guidance scale 增大而递减；guidance 同时呈现保真度升、多样性（recall）降的权衡。DiT 的 SOTA 数字均以 guidance 口径取得，无 guidance 时对 U-Net 基线的优势明显收窄。
Evidence refs
Notes
论文框架表述：“Classifier-free guidance is widely-known to yield significantly improved samples ... and the trend holds for our DiT models”（§2.1）。cfg=1.0 等价于标准采样（CPT-003），故“无 guidance” 行即 s=1。评估口径为 3 通道 guidance（见 EVI-008，原 CLM-008 于 2026-09-07 并入作为口径 caveat）；样图 caption 的 cfg 1.5–6.0 展示“保真度升、多样性降”的定性趋势（§A.2），不出指标表。
关联（19）
- PPR-2212.09748 Scalable Diffusion Models with Transformers
- PPR-2501.15564 Diffusion-Based Planning for Autonomous Driving with Flexible Guidance
- BMK-004 ImageNet class-conditional generation (256×256 / 512×512)
- FRM-2212.09748 DiT 五层重建：以 ViT 替换 latent diffusion 的 U-Net backbone、Gflops 为透镜的 scaling 研究；边界为 class-cond ImageNet 256/512。
- EVI-008 App. A.1：3 通道 guidance（1.5）FID 2.27 vs 4 通道（1.375）2.20，近似式 3ch(1+x)≈4ch(1+¾x)（支撑 CLM-012 的口径 caveat）。
- EVI-012 Table 2/3 行内梯度：256 FID 9.62→3.22→2.27、512 12.03→4.64→3.04，档位间改善递减——CFG 效应与饱和（支撑 CLM-012）。
- CPT-002 adaLN-Zero
- CPT-003 classifier-free guidance
- VER-012 核验 CLM-012 CFG 梯度：Table 2/3 行内（256: 9.62/3.22/2.27；512: 12.03/4.64/3.04）逐格一致，scale 边界与质量-多样性权衡已记。supported。
- SYN-002 三源合成：diffusion 管线三段可分解改造——LDM 表示层（latent 感知压缩）、DiT 骨干层（ViT 替换 + Gflops 标度）、G2DP 采样层（推理期引导插件）；三论文是时间上的实际组合链（DiT 复用 LDM first-stage，G2DP 用 DiT 骨干），层独立性判断 CLM-013/009/032 解释组合可行性。
- SYN-003 G2DP 引导谱系四支合成：机制（classifier guidance→CFG→DPS）、扩散规划（Diffuser→MotionDiffuser→Diffusion Planner→FlowPlanner/pSTL/CTG）、安全硬约束（CBF 系）、稠密网格（HYPE/TPP/NaviDiffusor）；G2DP 立四支交点——把『稠密分布性网格』放到『可微+时空+入去噪循环』。
- CLM-002 co-source 同配置同预算下，条件注入机制的选择对生成质量有决定性影响：adaLN-Zero 调制式注入同时最优质量与最低计算开销，优于 cross-attention 与 in-context。
- CLM-003 co-source 模型前向 Gflops（而非参数量）主导 DiT 质量：Gflops 相近则 FID 相近，且与 FID-50K 强负相关。
- CLM-005 co-source 采样算力不能补偿模型算力：DiT 族内小模型即使以数倍单图采样算力生成，FID 仍劣于大模型的低步数采样（锚点数字见 EVI-005）。
- CLM-006 co-source 等量总训练算力下大模型更 compute-efficient；仅改 patch size 的模型对在控制训练 Gflops 后性能曲线不同。
- CLM-007 co-source DiT 对既有 U-Net diffusion 模型的质量优势不依赖 VAE decoder 选择：免重训互换 LDM 原始/ft-MSE/ft-EMA decoder（encoder 相同）后优势均保持。
- CLM-009 co-source U-Net 归纳偏置对 diffusion 质量非关键：标准 ViT 可直接替换 U-Net backbone，并在同等评估协议下取得优于既有 U-Net-based diffusion 模型的质量。
- CLM-010 co-source DiT 在未调参 ADM 配方下稳定训练：恒定 lr、无 warmup/正则，全程无 loss spike。
- CLM-011 co-source patchify 标度：p 减半 → token 与 transformer Gflops 至少 ×4（注意力超线性），参数量近似不变。