术语slug: dit

扩散变换器

DiT

使用 Transformer 架构作为去噪骨干网络的扩散模型变体

收录情报动态

共 6 篇 · 第 1/1 页
量子位官网T2·开源与评测
86 分
MOSS-Image 开源爆火,4 天破百万下载主打去 AI 味

模思智能与OpenMOSS团队开源的5B参数生图模型MOSS-Image上线4天即获超130万次下载。该模型通过剔除训练数据中的AI生成图像,显著缓解了“AI味”过重的问题,画面自然度引发海外社区热议。开发者已迅速推出量化、加速及LoRA等衍生版本,并验证其在布局控制与多风格生成上的实用性。

Hacker News AIT2·基座大模型
78 分
Linum 提出 Pyramid-JiT:纯像素空间解码器架构,训练样本减 11.3 倍且无需 VAE

Linum 团队发布 Pyramid-JiT (P-JiT),一种摒弃变分自编码器(VAE)的纯像素空间解码器架构。该模型通过沿 DiT 主干在多个分辨率上预测目标图像,实现了比先前潜在扩散模型 Linum v2 更高的效率:仅需 1/11.3 的训练样本和 1/4.3 的 GPU 小时即可达到同等 FD-DINOv2 评分,同时支持 4 倍像素规模。

Qwen 官方博客 (通义)T1·基座大模型
78 分
Qwen-Image-2.1 开源:7B 参数实现创改一体

阿里通义千问团队开源 Qwen-Image-2.1,这是一款仅含 7B 参数的轻量级图像模型,首次将文生图与图像编辑功能整合于单一架构中。该模型原生支持透明图像生成与编辑,并通过混合粒度注意力结构显著优化推理效率,在保持低算力成本的同时提升了文字排版、人物光影及多参考图局部编辑的保真度。

vLLM 官方博客T1·开发与工程
78 分
vLLM-Omni 集成 FastH3:通过全栈优化与四步扩散实现 MiniMax H3 实时视频生成

vLLM-Omni 框架针对 MiniMax H3 模型实施了系统级全栈优化,涵盖注意力机制、通信及并行 VAE 解码等组件。在此基础上,引入 FastVideo 的 FastH3 技术将 DiT 前向传播次数从 49 次大幅压缩至 4 次。实测显示,在 8 张 B300 GPU 上,该方案能在约 8.7 秒内生成完整的 10.125 秒 MP4 视频,实现了生成速度快于播放速度的“实时”标准。

vLLM 官方博客T1·开发与工程
78 分
vLLM-Omni 推出分布式逐层卸载:支持多卡运行 200B+ DiT 视频模型,冷启动内存降 73%

vLLM-Omni 发布分布式逐层卸载(DLO)技术,使超过单设备 HBM 容量的大型 DiT 视频生成模型(如 Cosmos3-Super 64B)能在多 GPU/NPU 集群上高效运行。该方案通过元设备初始化与 mmap 权重加载消除冗余 RSS,结合权重分片与 AllGather 重叠计算,将冷启动峰值内存降低 73%,并采用固定双缓冲机制限制常驻显存规模。