EVI-004
Evidence
Table 3/§5.1：DiT-XL/2-G 512 FID-50K 3.04（sFID 5.02/IS 240.82），优于全部 diffusion 但未超 StyleGAN-XL 2.41（支撑 CLM-004）。
| id | EVI-004 |
|---|---|
| type | evidence |
| claims | CLM-004 |
| source | SRC-2212.09748 |
| observation | Table 3 (Class-Conditional ImageNet 512x512) + §5.1 512×512 正文 |
| method | FID-50K via ADM TensorFlow evaluation suite, 250 DDPM steps, ft-EMA VAE decoder; Precision/Recall 用 1000 真实样本（循 ADM 惯例） |
| scope | Table 3 全部行目：BigGAN-deep / StyleGAN-XL / ADM 系列 / DiT 系列 |
Result
DiT-XL/2-G（cfg=1.50）：FID-50K 3.04，sFID 5.02，IS 240.82， Precision 0.84，Recall 0.54。对比行：ADM-G+U 3.85、ADM-G 7.72、 ADM-U 9.96、ADM 23.24、StyleGAN-XL 2.41、BigGAN-deep 8.43。 DiT 行内梯度（无 guidance → cfg1.25 → cfg1.50）： 12.03 → 4.64 → 3.04。 计算开销：DiT-XL/2 524.6G vs ADM 1983G / ADM-U 2813G （§5.1、Table 6）。
Caveats
3.04 对 StyleGAN-XL 2.41 差 0.63——512 上 GAN 仍占优。Table 4 报告的 512 无 guidance FID 为 11.93（ft-MSE decoder、3M steps）， 与 Table 3 的 12.03（ft-EMA）存在 decoder 口径差（CPT-005）。
引用（3）
- CLM-004 DiT-XL/2（cfg=1.50）在 ImageNet 512×512 达 FID-50K 3.04，优于全部 diffusion 基线但未超 StyleGAN-XL（2.41）。
- CPT-005 VAE decoder variants (ft-MSE / ft-EMA)
- 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（3）
- CLM-004 DiT-XL/2（cfg=1.50）在 ImageNet 512×512 达 FID-50K 3.04，优于全部 diffusion 基线但未超 StyleGAN-XL（2.41）。
- 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-004 核验 CLM-004 512 SOTA：Table 3（3.04/3.85/2.41）与 §5.1 512 段（3M 步、1024 tokens、524.6G）逐项一致。supported。