时令 发自 凹非寺
量子位 | 公众号 QbitAI

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