SYN-001
Synthesis
DiT 四种 conditioning 设计系统对比：adaLN-Zero 以可忽略算力增量取得 FID 19.47 全维最优；推导出'交互强度-质量'非单调与'算力效率优先'两条结构观察（单来源外推，显式标注）。
| id | |
|---|---|
| updated | |
| type | synthesis |
| inputs | CLM-002 |
Structure
单来源（PPR-2212.09748）内同族设计的系统对比——D7 修订后“跨来源为建议性要求”的首个实例。输入 Claim：CLM-002（消融结果，EVI-002 承载数字）；参与概念：CPT-011 / CPT-010 / CPT-007 / CPT-002；术语路由：DIS-001 / DIS-002。
| 设计 | CPT | 机制（条件注入方式） | Gflops | 参数 | FID-50K @400K |
|---|---|---|---|---|---|
| in-context | CPT-011 | t/c 嵌入拼入序列，self-attention 内融合 | 119.37 | 449M | 35.24 |
| cross-attention | CPT-010 | 2-token K/V + 独立交叉注意力层 | 137.62 | 598M | 26.14 |
| adaLN | CPT-007 | token 无关逐维仿射（γ/β 回归） | 118.56 | 600M | 25.21 |
| adaLN-Zero | CPT-002 | adaLN + 残差门控 α + 零初始化恒等 | 118.64 | 675M | 19.47 |
数字均出自 EVI-002（Table 4 + Figure 5；XL/2、无 guidance、ft-MSE decoder）。排序在训练全程保持。
派生观察（KB 外推，unverified——不回写为论文断言）
- 交互强度-质量非单调：条件-特征交互最强的 cross-attention（token 级）劣于 token 无关的 adaLN 系；在 DiT 的 class-conditional 设定下，条件通路的算力效率与恒等初始化比交互表达能力更关键。此为跨四设计的结构性解读，论文只给出逐对比较，未做此抽象。
- 参数量与质量无单调关系：最省参数的 in-context（449M）最差，最多参数的 adaLN-Zero（675M）最好；但四设计参数差源自机制本身（调制宽度 4d vs 6d、附加层），不能据此推断“加参数即提质”——该推断属 CLM-003/ CLM-006 的 Gflops scaling 轴，不在本对比 scope 内。
- 质量差距的两段归因：adaLN → adaLN-Zero（25.21→19.47）归因于零初始化恒等（论文解释、非独立消融，EVI-002 Caveats）；其余排序差距论文未归因。
Consensus / Disagreement / Gaps
- 共识（单来源内）：adaLN-Zero 质量最优且算力最省之一，§5 选定为此后全部模型的设计；CLM-002 是 SOTA 结果（EVI-001/EVI-004）的设计前提（FRM AR-2）。
- 争议：无——输入仅一条 Claim，无冲突进入本整合（CFL-001 属 LDM 侧术语问题，不涉及本对比）。
- 空白：①单一规模（XL/2）单种子、无方差（EVI-002 Caveats）；②四设计 Gflops/参数量不同，是“同配置同预算”而非“同规模”对比；③条件机制的跨来源演化（FiLM（CPT-012，PPR-1709.07871）→ adaLN → 各后续谱系）未 ingest，属 coverage gap（D14）——扩展时本卡应升级为跨来源对比。
关联（17）
- PPR-1709.07871 FiLM: Visual Reasoning with a General Conditioning Layer
- PPR-2212.09748 Scalable Diffusion Models with Transformers
- CLM-002 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 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-006 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。
- EVI-001 Table 2/§5.1/App.A.1：DiT-XL/2-G 256 FID-50K 2.27（sFID 4.60/IS 278.24），3 通道 guidance 口径，优于 LDM-4-G 3.60 与 StyleGAN-XL 2.30（支撑 CLM-009）。
- EVI-002 Table 4/Figure 5：XL/2 @400K adaLN-Zero FID 19.47 最低（<adaLN 25.21<cross-attn 26.14<in-context 35.24），排序训练全程保持（支撑 CLM-002）。
- EVI-004 Table 3/§5.1：DiT-XL/2-G 512 FID-50K 3.04（sFID 5.02/IS 240.82），优于全部 diffusion 但未超 StyleGAN-XL 2.41（支撑 CLM-009）。
- CPT-002 adaLN-Zero
- CPT-007 adaptive layer norm (adaLN)
- CPT-010 DiT cross-attention conditioning
- CPT-011 DiT in-context conditioning
- CPT-012 FiLM (feature-wise linear modulation)
- CFL-001 表面冲突：CLM-009（DiT）称'U-Net 归纳偏置对生成质量非关键，可换 ViT'，CLM-015（LDM）称'2D 卷积归纳偏置对重建保真关键，容忍低压缩'。论文核实：两处'U-Net'是不同网络（second-stage 去噪 UNet vs first-stage 压缩 autoencoder），同名异物、可同真互补，提议 terminology-difference。
- DIS-001 术语 cross-attention 的双 referent 路由：LDM 通用条件接口（CPT-009）与 DiT block 设计变体（CPT-010）。
- DIS-002 术语 adaLN 的两种读法路由：vanilla adaLN（CPT-007）与其零初始化特化 adaLN-Zero（CPT-002）。
- SYN-002 co-inputs 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。