| EVI-009 | §1 + Table 2/3/6：DiT-XL/2 2.27（256）/3.04（512）vs LDM-4-G 3.60/ADM-G+U 3.94 及 118.6G/524.6G 算力对照——架构论题的经验支撑（支撑 CLM-009）。 | Evidence ppr-2212.09748 |
| EVI-010 | §4.1 + Table 4 + Fig.13：未调参 ADM 配方（lr 1e-4/batch 256 全表一致）全程无 loss spike，训练高度稳定（支撑 CLM-010）。 | Evidence ppr-2212.09748 |
| EVI-011 | §3.2 + Table 1/4：p 减半时参数量近似不变（S 33M 等）、Gflops ≥4×（S 0.36→1.41→6.06），验证 patchify 标度（支撑 CLM-011/TH-1）。 | Evidence ppr-2212.09748 |
| 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）。 | Evidence ppr-2212.09748 |
| EVI-013 | §1/§2.3/§2.4：感知/语义两段分解的论述与公式（支撑 CLM-013）。 | Evidence ppr-2112.10752 |
| EVI-014 | Tab.13 compute_vs_fid + 主表：LDM-4-G 271 vs ADM 916 V100-day、0.4 vs 0.12 samples/s、FID 3.60/3.95 vs 10.94（支撑 CLM-014）。 | Evidence ppr-2112.10752 |
| EVI-015 | Tab.423 firststage：matched 重建指标对比 VQGAN/DALL·E（支撑 CLM-015）。 | Evidence ppr-2112.10752 |
| EVI-016 | §4.1 + Fig. cin_traincourse/speedplot：f 消融的训练/采样曲线（支撑 CLM-016）。 | Evidence ppr-2112.10752 |
| EVI-017 | §2.5 + §4.3–4.5：cross-attention 条件机制与多模态应用（支撑 CLM-017）。 | Evidence ppr-2112.10752 |
| EVI-018 | 主文 T2I 表 + ImageNet 主表：CFG 的推理期质量增益（支撑 CLM-018）。 | Evidence ppr-2112.10752 |
| EVI-019 | 主文 T2I 对比表 + §4.3.1：1.45B 文本条件 LDM 对比 AR/diffusion（支撑 CLM-018 第二子命题）。 | Evidence ppr-2112.10752 |
| EVI-020 | 无条件合成表：LDM 对 GAN/扩散基线的 FID/Precision/Recall（支撑 CLM-020）。 | Evidence ppr-2112.10752 |
| EVI-021 | §4.3.2 + 大图样例：越分辨率泛化到 ~1024²/兆像素（支撑 CLM-021）。 | Evidence ppr-2112.10752 |
| EVI-022 | §4.4/4.5 + Tab. srtable/inpainting：SR 与 inpainting 的高质高效结果（支撑 CLM-022）。 | Evidence ppr-2112.10752 |
| EVI-023 | §10 Limitations + Fig. firststagecomparison：AE 重建瓶颈与迭代采样局限（支撑 CLM-023）。 | Evidence ppr-2112.10752 |
| EVI-024 | Table 1：G2DP 系居纯 IL planner 首位，Test14-hard R 77.61（+7.2 over Flow Planner，+8.4 over Diffusion Planner）。 | Evidence ppr-2606.26017 |
| EVI-026 | Tables 2–3：interPlan 零样本 G2DP† 62.55（+9.65），collision +10.15、TTC +10.75；progress/speed limit 略降。 | Evidence ppr-2606.26017 |
| EVI-027 | Table 5：G2DP 较 DP collision +11.0、progress +10.5、TTC +6.7；progress/along-route 超 PDM-Closed。 | Evidence ppr-2606.26017 |
| EVI-029 | Table 6：Top-15 双split峰值 92.26/80.05；Average 86.33 洗信号、Max 76.84 抗伪影差。 | Evidence ppr-2606.26017 |
| EVI-030 | Fig. 7：γ=0.95 峰值；γ=1.0 过度保守刹车致高密度区追尾，γ=0.2 安全弱化。 | Evidence ppr-2606.26017 |
| EVI-031 | Table 1/2 + 正文：G2DP† reactive +3.7、interPlan +0.81、精修依赖 +4.1 vs DP +12.8。 | Evidence ppr-2606.26017 |
| EVI-032 | Table 1：免精修在学习型类内 6 列中 5 列最高（Test14 NR 除外）；w/ refine. 在 Val14/Test14 双模式超规则/混合类并部分超 Log-replay，唯 Test14-hard NR 78.87 低于 PLUTO 80.08。 | Evidence ppr-2501.15564 |
| EVI-033 | Table 8：套壳 diffusion 方法脱精修即大跌（Diffusion-es w/o LLM ~50 vs w/ LLM 92；STR2 w/o refine. 65.16 且推理 >11s），Diffusion Planner 89.87/75.99/89.19、推理 0.04s。 | Evidence ppr-2501.15564 |
| EVI-034 | Fig. 4：邻车预测准确 + ego 平滑让速，对比基线轨迹不平滑/候选多数低质量；Fig. 5：联合预测邻车过多引入噪声降分，但多数 M 取值仍优于 PlanTF。 | Evidence ppr-2501.15564 |
| EVI-035 | 引导案例：遮蔽车道限速后仅靠 target-speed 引导即可贴合 10–14 m/s 目标区间且速度过渡平滑；comfort 叠加 collision 可并用；collision-only 驶离路面避让、叠加 drivable 后保路面且保安全。 | Evidence ppr-2501.15564 |
| EVI-037 | Table 7：base 89.19；w/o augmentation 76.53（−12.66）、w/o interpolation 83.78（−5.41）、w/o z-score 85.02（−4.17）；ego 状态 w/ ego state 78.65、w/ SDE 82.90、w/o current state 81.11。 | Evidence ppr-2501.15564 |
| EVI-038 | Table 2：配送车数据集上 Diffusion Planner 92.08 全场最高（PlanTF 90.89、PLUTO 83.49、PDM-Closed 80.95、GameFormer w/o refine. 22.41）；nuPlan-tailored 基线掉分、本方案保持。 | Evidence ppr-2501.15564 |
| FIG-001 | DiT 模型结构图（kblayout 重绘论文 Fig. 2 left）：Noised Latent→Patchify→DiT Block×N→Layer Norm→Linear and Reshape→Noise/Σ；Timestep t 与 Label y 经 Embed 侧列进 Block。 | Figure |
| FIG-002 | DiT block with adaLN-Zero 结构图（kblayout 重绘论文 Fig. 2 right）：主链 LN→MHA→Scale/Shift→⊕→LN→FF→Scale→⊕；Conditioning→MLP 四条参数线送达各 gate。 | Figure |
| PPR-002 | Congested traffic states in empirical observations and microscopic simulations拥堵交通态的实证观测与微观仿真（Treiber et al., PRE 2000）；G2DP 引用的交通流学科根源。 | Paper extracted n/a |
| PPR-1503.03585 | Deep Unsupervised Learning using Nonequilibrium Thermodynamics以非平衡热力学解释深度无监督学习（Sohl-Dickstein et al., ICML 2015）；扩散的概率奠基。 | Paper extracted n/a |
| PPR-1709.07871 | FiLM: Visual Reasoning with a General Conditioning LayerFiLM 原始论文（Perez et al., AAAI 2018）：提出 feature-wise affine 调制（γ/β 由条件回归、逐特征仿射）——DiT adaLN（CPT-007）回归 γ/β 思想的直接来源。 | Paper extracted n/a |
| PPR-1807.00412 | Learning to Drive in a Day一天内学会驾驶的端到端学习（Kendall et al., ICRA 2019）；真实城市道路少样本驾驶策略。 | Paper extracted n/a |
| PPR-1807.08048 | Baidu Apollo EM Motion Planner百度 Apollo EM Motion Planner（工业量产运动规划模块）；G2DP 的工业规划参照。 | Paper extracted n/a |
| PPR-1812.03079 | ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst以模仿学习训练驾驶策略（Bansal et al., RSS 2019）：学最佳示范、合成最坏失败。 | Paper extracted n/a |
| PPR-2006.11239 | Denoising Diffusion Probabilistic Models去噪扩散概率模型（DDPM）奠基作（Ho et al., NeurIPS 2020）；扩散生成的马尔可夫链框架。 | Paper extracted n/a |
| PPR-2106.11810 | nuPlan: A closed-loop ML-based planning benchmark for autonomous vehicles自动驾驶闭环机器学习规划基准 nuPlan（Caesar et al.）；G2DP 的主评测基准。 | Paper extracted n/a |
| PPR-2112.10752 | High-Resolution Image Synthesis with Latent Diffusion ModelsLatent Diffusion Model 原始论文（Rombach et al.）；Stable Diffusion 学术源头，DiT 所引『latent diffusion』。 | Paper formalized n/a |
| PPR-2207.12598 | Classifier-Free Diffusion GuidanceClassifier-Free Guidance 提出作（Ho, arXiv 2022）；条件扩散的标准引导做法。 | Paper extracted n/a |
| PPR-2212.09748 | Scalable Diffusion Models with TransformersDiT 原始论文（Peebles & Xie, ICCV 2023）：ViT 替换 LDM U-Net backbone，Gflops 视角的 scaling 研究。 | Paper formalized n/a |
| PPR-2601.04453 | UniDrive-WM: Unified Understanding, Planning and Generation World Model For Autonomous Driving自动驾驶统一理解-规划-生成世界模型 UniDrive-WM（Xiong et al.）。 | Paper extracted n/a |
| PPR-2603.08199 | Fusion-Poly: A Polyhedral Framework Based on Spatial-Temporal Fusion for 3D Multi-Object Tracking基于时空融合的多面体 3D 多目标跟踪（Wu et al.）。 | Paper extracted n/a |
| PPR-2604.04198 | DriveVA: Video Action Models are Zero-Shot Drivers视频动作模型作零样本驱动器（Liu et al.）。 | Paper extracted n/a |
| PPR-2607.13028 | TerraZero: Procedural Driving Simulation for Zero-Demonstration Self-Play at Scale程序化驾驶仿真支撑大规模零演示自播放（Wu et al.）。 | Paper extracted n/a |
| SYN-001 | 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）。 | Synthesis |
| 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。 | Synthesis |
| VER-013 | 两段分解核验：感知压缩 AE + 潜空间 DM 与 §1/§2.3/§2.4（Eq.4-5）一致，DiT FRM-2212.09748 AX-2 同向互证，scope 未超。supported。 | Verification |
| VER-014 | 算力主张核验：271 vs 916 V100-day、0.4 vs 0.12 samples/s、FID 3.60/3.95 vs 10.94 与 compute_vs_fid 表逐项吻合，两 cfg 口径已分离。supported。 | Verification |
| VER-017 | 条件机制核验：Q/K/V 公式（§2.5 Eq. cond_loss）与命题一致，text/class/layout/i2i 四模态有实例，与 DiT adaLN 不同机制不冲突。supported。 | Verification |
| VER-018 | CFG 核验：推理期提质（T2I 23.35→12.61、IS 19.93→26.62；ImageNet 10.56→3.60）与两表一致、非增训，机制同 CPT-003。supported。 | Verification |