CLM-007
Claim
VAE decoder（original/ft-MSE/ft-EMA）可免重训互换，FID 2.46/2.30/2.27，差异有限且均优于此前 diffusion。
| id | CLM-007 |
|---|---|
| type | claim |
| source | SRC-2212.09748 |
| scope | DiT-XL/2-G (3-channel guidance, cfg=1.5), ImageNet 256x256, 7M steps; FID-50K via ft-EMA/ft-MSE/LDM-original VAE decoder swap (no retraining) |
| epistemic | supported |
| lifecycle | RECONCILED |
| created | 2026-09-03 |
| updated | 2026-09-03 |
Proposition
VAE decoder 可以在不重训 diffusion 模型的前提下互换（三者 encoder 相同）：LDM original / ft-MSE / ft-EMA 给出 FID-50K 2.46 / 2.30 / 2.27——差异存在但幅度有限；且即使用 LDM 原 decoder，DiT-XL/2 仍 优于此前全部 diffusion 模型。
Evidence refs
Notes
该消融隔离了 decoder 权重对最终指标的贡献，说明 DiT 相对 U-Net diffusion 模型的优势不依赖 SD 微调 decoder（§A.4："XL/2 continues to outperform all prior diffusion models when using the LDM decoder"）。三种 decoder 的口径分工见 CPT-005。 边界情形提示：用 LDM original decoder 时 FID 2.46 劣于 StyleGAN-XL 2.30——CLM-001 的 "all prior generative models 中 最低 FID" 仅在 ft-MSE/ft-EMA 下成立（见 EVI-007 Caveats）。
引用（4）
- CLM-001 DiT-XL/2（cfg=1.50，3 通道 guidance）在 ImageNet 256×256 达 FID-50K 2.27，为包括 StyleGAN-XL 在内的最低 FID。
- CPT-005 VAE decoder variants (ft-MSE / ft-EMA)
- EVI-007 Table 5/§A.4：decoder original/ft-MSE/ft-EMA FID 2.46/2.30/2.27，encoder 相同免重训互换，差异有限均优于此前的 diffusion（支撑 CLM-007）。
- SRC-2212.09748 DiT 原始论文（Peebles & Xie, ICCV 2023）：ViT 替换 LDM U-Net backbone，Gflops 视角的 scaling 研究。
被引用（4）
- CPT-005 VAE decoder variants (ft-MSE / ft-EMA)
- EVI-007 Table 5/§A.4：decoder original/ft-MSE/ft-EMA FID 2.46/2.30/2.27，encoder 相同免重训互换，差异有限均优于此前的 diffusion（支撑 CLM-007）。
- FRM-2212.09748 DiT 五层重建：以 ViT 替换 latent diffusion 的 U-Net backbone、Gflops 为透镜的 scaling 研究；边界为 class-cond ImageNet 256/512。
- VER-007 核验 CLM-007 decoder 消融：Table 5（2.46/2.30/2.27）与 §A.4（encoder 相同、免重训互换、LDM decoder 下仍最优）一致。supported。