CPT-010 Concept

Definition

DiT 四种 conditioning 设计之一（SRC-2212.09748 §3.2 "DiT block design"）： 把 timestep t 与 class label c 的嵌入向量拼接为长度 2 的序列，与 image token 序列分离；标准 ViT block 修改为在 multi-head self-attention 之后 追加一个 multi-head cross-attention 层（论文自述 similar to the original design from Vaswani et al.，亦 similar to the one used by LDM for conditioning on class labels）。条件信息以 token 级交互注入： Query 来自 image tokens，Key/Value 来自 2-token 条件序列——这是它与 adaLN 系（CPT-007/CPT-002，token 无关仿射、对全部 token 施加同一函数） 的本质机制差异。

Empirical Role

• CLM-002 / EVI-002：四种 conditioning 消融（DiT-XL/2 @ 400K，无 guidance，ft-MSE decoder）中 FID-50K 为 26.14——排序 in-context 35.24 > cross-attention 26.14 > adaLN 25.21 > adaLN-Zero 19.47，且该排序训练 全程保持（Figure 5）。
• 算力：四种设计中最贵——137.62G，比 adaLN（118.56G）高约 15% （§3.2 "Cross-attention adds the most Gflops, roughly a 15% overhead"）。
• 参数量：598M（Table 4）。
• 论文结论：质量与算力均劣于 adaLN-Zero，故未入选（§5 此后所有模型均用 adaLN-Zero）。

Disambiguation

• 与 CPT-009（LDM 通用 cross-attention）：同术语、不同 referent—— CPT-009 是 LDM 的通用条件接口（domain encoder \(\tau_\theta\) 把任意模态投影为 K/V 序列注入 U-Net，SRC-2112.10752）；本卡是 DiT block 设计轴上的一个 变体（class-conditional ImageNet、2-token K/V、追加于 self-attention 之后）。论文明确承认二者的亲缘（§3.2 "similar to the one used by LDM"）。术语级路由见 DIS-001。
• 与 adaLN / adaLN-Zero（CPT-007/CPT-002）：token 级交互 vs token 无关 仿射；本变体算力最贵而质量居中，adaLN-Zero 以可忽略的 Gflops 增量取得 最低 FID（CLM-002）。
• 与 in-context conditioning（CPT-011）：四设计的另一成员——条件 t/c 嵌入拼入输入序列走 self-attention 内融合，block 零修改；质量最差 （FID 35.24）但参数最少（CLM-002/EVI-002）。

Notes

• 论文对四种 conditioning 设计仅文字描述 + Figure 3 图示，无逐 block 公式；本卡机制描述即 §3.2 原文要点的忠实转述（cross-attention 本身是 Vaswani 2017 标准组件）。
• 本卡为 DIS-001 路由补齐的 referent；established 2026-09-05，源于 "DiT 四种 conditioning 设计"问答暴露的 concept gap（D14 循环）。