CLM-019
Claim
1.45B KL-LDM + cross-attn 文本条件在 MS-COCO 达与 Make-A-Scene/GLIDE 相当量级且参数量显著更少。
| id | CLM-019 |
|---|---|
| type | claim |
| source | SRC-2112.10752 |
| scope | LAION-400M 训练; MS-COCO val 评测; 1.45B KL-LDM; BERT tokenizer + τ=transformer; 250 DDIM steps; 最优配置 CFG s=1.5 |
| epistemic | supported |
| lifecycle | RECONCILED |
| created | 2026-09-03 |
| updated | 2026-09-03 |
Proposition
以 cross-attention 文本条件（BERT tokenizer + τ 为 transformer）在 LAION-400M 上训一个 1.45B 参数的 KL-LDM，可在 MS-COCO 上达到与近期最强 AR（Make-A-Scene）与 diffusion（GLIDE）text-to-image 系统相当的量级、且参数量显著更少：开启 CFG（s=1.5）后 FID 12.61 / IS 26.62，低于 GLIDE 12.24 同档、Make-A-Scene 11.84 同档；并显著优于早期 AR（CogView 27.10）与 GAN（LAFITE 26.94）。
Evidence refs
Notes
主表（ms_tables.tex tab:txt2img, 250 DDIM）：CogView 27.10/18.20；LAFITE 26.94/26.02；GLIDE 12.24；Make-A-Scene 11.84；LDM-KL-8 23.35/19.93±0.35；LDM-KL-8-G 12.61/26.62±0.38。§4.3.1 原文："generalizes well to complex, user-defined text prompts"、"on par with the recent state-of-the-art AR and diffusion models ... while substantially reducing parameter count"。注意 MS-COCO val 5K 提示的标准评测协议；参数量对比以"substantially reducing"定性 + 1.45B 具体值为准，不逐模型比参数量（论文未给全对比参数量）。
引用（2）
- 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-019）。
- SRC-2112.10752 Latent Diffusion Model 原始论文（Rombach et al.）；Stable Diffusion 学术源头，DiT 所引『latent diffusion』。
被引用（3）
- 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-019）。
- FRM-2112.10752 LDM 五层重建：感知压缩 AE + 潜空间扩散的两段分解，换取训练/采样成本大降；多任务多分辨率（256²/512²→~1024²）。
- VER-019 T2I 核验：1.45B LDM-KL-8-G 在 MS-COCO 250 步 FID 12.61/IS 26.62，与 GLIDE 12.24/Make-A-Scene 11.84 同量级（非最低），措辞如实。supported。