EVI-007
Evidence
Table 5/§A.4：decoder original/ft-MSE/ft-EMA FID 2.46/2.30/2.27，encoder 相同免重训互换，差异有限均优于此前的 diffusion（支撑 CLM-007）。
| id | EVI-007 |
|---|---|
| type | evidence |
| claims | CLM-007 |
| source | SRC-2212.09748 |
| observation | Table 5 (Decoder ablation) + §A.4 正文 |
| method | 同一 DiT-XL/2-G（cfg=1.5）权重，仅替换 VAE decoder 权重（encoders 相同），重算 256x256 指标 |
| scope | Table 5 三行：LDM original / ft-MSE / ft-EMA |
Result
FID-50K：original 2.46、ft-MSE 2.30、ft-EMA 2.27； sFID：5.18 / 4.73 / 4.60；IS：271.56 / 276.09 / 278.24； Precision：0.82 / 0.83 / 0.83；Recall：三者均 0.57。decoder 权重 来源 huggingface.co/stabilityai/sd-vae-ft-mse（Table 5 caption）。
Caveats
单一 cfg（1.5）单模型。差异幅度 0.19（2.46→2.27）与 StyleGAN-XL 对比的 0.03 同量级——decoder 选择对"是否 SOTA"的 边界判定有实质影响：original decoder 下 2.46 > 2.30 （劣于 StyleGAN-XL），ft-MSE/ft-EMA 下均 < 2.30。 "outperform all prior diffusion models" 在三种 decoder 下均成立 （2.46 < 3.60 = LDM-4-G）。
引用（2）
- CLM-007 VAE decoder（original/ft-MSE/ft-EMA）可免重训互换，FID 2.46/2.30/2.27，差异有限且均优于此前 diffusion。
- 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-007 VAE decoder（original/ft-MSE/ft-EMA）可免重训互换，FID 2.46/2.30/2.27，差异有限且均优于此前 diffusion。
- 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-007 核验 CLM-007 decoder 消融：Table 5（2.46/2.30/2.27）与 §A.4（encoder 相同、免重训互换、LDM decoder 下仍最优）一致。supported。