CPT-011 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 的嵌入向量作为两个额外 token 追加到 输入序列，与 image token 同等对待——类似 ViT 的 cls token 用法，因此 标准 ViT block 无需任何修改；最终 block 之后将条件 token 从序列中 移除再解码。条件信息的融合完全依赖 self-attention 对条件 token 的 注意（序列级交互），block 内无专门的条件通路。

Empirical Role

• CLM-002 / EVI-002：四种 conditioning 消融（DiT-XL/2 @ 400K，无 guidance，ft-MSE decoder）中 FID-50K 最差——35.24（对照 cross-attention 26.14 / adaLN 25.21 / adaLN-Zero 19.47），排序训练 全程保持（Figure 5）。论文据此强调 conditioning 机制对质量的关键影响 （adaLN-Zero 的 FID 约为 in-context 的一半）。
• 算力：119.37G，增量可忽略（§3.2 "introduces negligible new Gflops"）。
• 参数量：四种设计中最少——449M（Table 4；条件 token 不引入调制 网络或额外注意力层）。

Disambiguation

• 与 cross-attention（CPT-010）：同属条件作为 token 参与注意力，但 in-context 走 self-attention 序列内融合（条件与 image token 混排）， cross-attention 是独立的条件→image 交叉注意力层；后者贵约 15% Gflops 且质量更好（CLM-002）。
• 与 adaLN 系（CPT-007/CPT-002）：in-context/条件-token 是序列级交互， adaLN 是 token 无关的逐维仿射广播；本设计中条件不施加"同一函数于 全部 token"，融合强度由注意力自行决定。
• 与 ViT cls token：机制同源（论文自述 similar to cls tokens），差别在 用途——ViT 的 cls token 聚合全局表征用于分类头，本设计是扩散去噪的 条件注入、末端移除。

Notes

• 论文对四种 conditioning 设计仅文字描述 + Figure 3 图示；本卡机制即 §3.2 原文要点的忠实转述。
• established 2026-09-05，源于"DiT 四种 conditioning 设计"问答暴露的 concept gap（D14 循环）；至此四种设计全部有 CPT 锚点（其余三者见 CPT-002/007/010，术语路由见 DIS-001/DIS-002）。