訓練文字轉影像模型速度快了 3.6 倍
為何重要
這項技術突破直接挑戰了現有 LDM「壓縮即瓶頸」的假設，為追求高品質影像生成的開發者提供了一條繞過 VAE 限制的新路徑。對產業而言，意味著在高解析度影像生成領域，訓練效率的提升直接對應商業成本（GPU 小時）的削減，未來主流模型（如 FLUX、Ideogram）的技術遷移備受關注。
現有的 Latent Diffusion Models（LDMs）依賴 VAE 進行壓縮，但傳統 CNN VAE 存在 16× 壓縮比的天花板。新架構 JiT-DDT 捨棄獨立的 VAE，改用統一模型處理壓縮與生成，並透過切換為 x-prediction 預測目標來解決高維度訓練的維度詛咒問題。
- 與 Linum v2 基線相比，JiT-DDT 架構訓練文字轉影像模型的 GPU 時間減少了 3.6×。
- 儘管訓練速度提升，該架構生成的影像畫素數量是 4× 水平，意味著能產出更高細緻度的結果。
- 透過改變預測目標為 x-prediction 且加入 novel encoder-decoder architecture（JiT-DDT），該技術成功克服了 DiT 在高維度輸入時難以學習的問題。
- 模型原始碼與權重已依 Apache 2.0 授權釋出，目前定位為研究產物，而非完整模型發布。