CPT-002 Concept

Definition

DiT block 的条件注入机制（SRC-2212.09748 §3.2、App. A.5）：在 vanilla adaLN（CPT-007）基础上，除从条件嵌入回归逐维 scale/shift（γ, β）外， 额外回归残差门控 α（施加于 block 内每条残差连接之前）；调制 MLP 输出 层零初始化使 α 初始为 0，从而每个 DiT block 初始为恒等映射。名称中的 "Zero" 即指这层零初始化（初始化为恒等函数的 adaLN）。

• 条件来源：timestep t 与 class label c 的嵌入向量之和（逐元素求和， 非拼接、非分别注入；§3.2 "sum of the embedding vectors of t and c"）。
• block 内有两个残差子块（self-attention 路径与 MLP 路径），各有独立的 自适应 LayerNorm，故每个 block 需要两组 (γ, β) 与两个 α（详见 Mechanism 的参数结构）。
• 恒等初始化的先例：ResNet 系（Goyal 2017 零初始化 block 末端 BN scale γ）与 diffusion U-Net（零初始化残差连接前的末层卷积）——论文明确以此 为其设计来源（§3.2）。

Mechanism

论文对 adaLN-Zero 仅作文字描述 + Figure 3 图示，未给出显式公式；以下为 与论文描述一致的标准实现重建（逐条可与 §3.2 / App. A.5 对应，见 Notes）。

设 z = Emb_t(t) + Emb_c(c)（t 经 256 维频率嵌入 + 两层 SiLU MLP 映射到 hidden size d；c 为 d 维 label 嵌入；二者逐元素求和）。调制参数由单层 线性回归：

(γ₁, β₁, α₁, γ₂, β₂, α₂) = W·SiLU(z) + b，W ∈ ℝ^{6d×d}

DiT block 为 pre-norm 残差结构，两个子块各有一个自适应 LayerNorm（ elementwise affine 关闭，γ/β 由调制提供）：

self-attention 子块：h₁ = h + α₁ ⊙ Attn(γ₁ ⊙ LN(h) + β₁) MLP 子块：h₂ = h₁ + α₂ ⊙ MLP(γ₂ ⊙ LN(h₁) + β₂)

其中 ⊙ 为逐通道（dimension-wise）缩放，广播到全部 token；γ/β/α 均逐维。

• 零初始化（§3.2 "initialize the MLP to output the zero-vector for all α"；§4.1 "initialize the final linear layer with zeros"）：调制输出 线性层零初始化 ⇒ 初始 α = 0 ⇒ 残差门关闭 ⇒ 每 block 输出 = 输入 （恒等映射）。
• 模型末端、线性 decoder 之前的最终 LayerNorm 在 adaLN 系下亦为自适应 （§3.2 Transformer decoder：adaptive if using adaLN）。
• 参数结构印证（App. A.5）：adaLN-Zero 调制输出为 6×hidden（adaLN 为 4×hidden）。6 = 2 子块 × 3 参数 (γ, β, α)，4 = 2 子块 × 2 参数 (γ, β)——两数之差恰好是每条残差路径新增的 α 门控，与 §3.2 的文字描述 自洽。

Design Rationale

• 恒等初始化的收益主张来自先例而非本论文新证：ResNet 监督训练中零初始化 BN scale γ 可加速大规模训练（Goyal 2017）；diffusion U-Net 亦在残差前 零初始化末层卷积（§3.2 引述）。
• 机制理解：block 初始为恒等 ⇒ 训练早期网络等效更浅、残差路径的梯度不受 随机初始化深层堆叠干扰。论文以"每个 block 初始为恒等函数"解释 adaLN-Zero 相对 vanilla adaLN 的显著优势（CLM-002 归因，见下）。
• 归因边界：恒等初始化在 DiT 上的收益是论文的解释（Figure 5 推断）， 非独立消融实验（EVI-002 Caveats；单种子、无方差报告）。

Cost

• Gflops：论文明言 "adaLN-Zero adds negligible Gflops to the model" （§3.2）。XL/2 实测 118.64G vs adaLN 118.56G（Table 4），差 0.08G （≈0.07%），调制的计算代价可忽略。
• 参数量：非可忽略——调制输出宽度 4d→6d，每 block 增 2d² 权重； XL/2（N=28, d=1152）增量 ≈ 28 × 1152 × 2304 ≈ 74.4M，与 Table 4 的 adaLN 600M → adaLN-Zero 675M（+75M）吻合。即"计算可忽略、参数不可 忽略"。
• 由于 DiT 的 scaling 分析以 Gflops 为复杂度透镜（AX-7），论文视该参数 增量不在复杂度讨论内；但引用消融数字时须注意四种 conditioning 设计的 参数量本就不同（EVI-002）。

Empirical Role

• CLM-002 / EVI-002：四种 conditioning 消融（in-context / cross-attention / adaLN / adaLN-Zero，DiT-XL/2 @ 400K），adaLN-Zero 质量最优且算力最 省；adaLN → adaLN-Zero 的差距被论文归因于恒等初始化。
• FRM AR-2：CLM-002 是全部 SOTA 结果的设计前提——§5 明言此后所有模型均 使用 adaLN-Zero，故 CLM-001/004 的数值都在该 block 设计下取得。
• 与 CLM-012 的 CFG 效应互补：CFG 是采样端机制（CPT-003），adaLN-Zero 是前向 block 内的条件注入，二者正交叠加（CFG 数字均出自 adaLN-Zero 模型）。

Disambiguation

• 与 vanilla adaLN（CPT-007）：adaLN-Zero 是 adaLN 的特化（定义依赖 基础概念）——唯一差异是残差门控 α 与调制输出零初始化；量化差异见 CLM-002/EVI-002。
• 与 FiLM（perez2018film）：回归 γ/β 的思想承自 FiLM；adaLN-Zero 增加 α 与零初始化。
• 与 cross-attention / in-context conditioning：四种 conditioning 设计中 的另外两种；adaLN 与 adaLN-Zero 是算力最省的两种，其中 adaLN-Zero 质量最优（CLM-002）。cross-attention 额外引入一层 cross-attn（~15% Gflops 开销），in-context 把 t/c 嵌入当额外 token 拼进序列。
• 与 U-Net 的 zero-init：同一"block 初始为恒等"思想，施加于 transformer 残差而非卷积残差。
• 与 DiT（CPT-001）：adaLN-Zero 是 DiT block 设计轴上的选定实现；DiT 设计空间三轴（patch size / block 设计 / 模型规模）中，block 设计轴由 本概念占据，其余轴见 CPT-004（patchify）与 Table 1（模型规模）。
• 与 CFG（CPT-003）：正交——CFG 是采样端机制，adaLN-Zero 是前向注入 （见 Empirical Role）。
• 与 LDM（CPT-006）：正交——LDM 定义训练空间（像素 vs 隐空间）， adaLN-Zero 是 backbone 内部机制，与 DiT 同处 backbone 维度。

Notes

• 本概念目前仅由单一来源 SRC-2212.09748 定义；论文对 adaLN-Zero 仅文字
  • Figure 3 图示描述，无显式公式。
• Mechanism 一节的方程为标准实现重建（与论文文字逐条对应）：参数 结构（2 子块 × 3 参数 = 6d）由 App. A.5 的 "6×/4× hidden size" 相互 印证；"+75M 参数" 的推导为本库演算，与 Table 4 数字吻合。这些属于 KB 外推（unverified），不视为论文原文断言。
• 恒等初始化收益为论文解释而非独立消融（EVI-002）。
• 后续 DiT 谱系（Sora、Stable Diffusion 3、Flux 等对 adaLN 式调制的 继承与变体）不在本库 scope，未做跨来源扩展——如需扩展属 coverage gap （D14）。