EVI-009
Evidence
§1 + Table 2/3/6：DiT-XL/2 2.27（256）/3.04（512）vs LDM-4-G 3.60/ADM-G+U 3.94 及 118.6G/524.6G 算力对照——架构论题的经验支撑（支撑 CLM-009）。
| id | EVI-009 |
|---|---|
| type | evidence |
| claims | CLM-009 |
| source | SRC-2212.09748 |
| observation | §1 设计论题陈述 + Table 2/Table 3（DiT vs U-Net 系列对比）+ Table 6（U-Net 基线 Gflops） |
| method | 以 ADM 评估套件统一口径，比较 DiT-XL/2 与 U-Net backbone diffusion 基线（ADM/ADM-U/ADM-G/LDM 系列） |
| scope | Table 2/3 全部 U-Net 行目；架构级对比而非受控消融（非同参数量/同预算配对） |
Result
256（Table 2）：DiT-XL/2-G 2.27 vs 最佳 U-Net diffusion LDM-4-G 3.60、ADM-G+U 3.94；512（Table 3）：3.04 vs ADM-G+U 3.85。 算力（Table 6）：DiT-XL/2 118.6G（256）/ 524.6G（512） vs ADM 1120G/1983G、ADM-U 742G/2813G、LDM-4 103.6G——质量更优的 同时算力低于 pixel U-Net 约一个量级。
Caveats
非受控对比：DiT 训练预算（7M/3M steps）高于多数基线的常规预算 （2.35M 时 FID 2.55 仍占优，见 EVI-001）；比较混合了架构、预算、 guidance 设定多因素。claim 中 "not crucial" 是论文的诠释——证据 直接支撑的是"可替换且质量不降（反升）"。
引用（3）
- CLM-009 U-Net 归纳偏置对 diffusion 质量非关键：标准 ViT 可直接替换 U-Net backbone 并取得更优质量。
- EVI-001 Table 2/§5.1/App.A.1：DiT-XL/2-G 256 FID-50K 2.27（sFID 4.60/IS 278.24），3 通道 guidance 口径，优于 LDM-4-G 3.60 与 StyleGAN-XL 2.30（支撑 CLM-001）。
- 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（4）
- CFL-001 表面冲突：CLM-009（DiT）称'U-Net 归纳偏置对生成质量非关键，可换 ViT'，CLM-015（LDM）称'2D 卷积归纳偏置对重建保真关键，容忍低压缩'。论文核实：两处'U-Net'是不同网络（second-stage 去噪 UNet vs first-stage 压缩 autoencoder），同名异物、可同真互补，提议 terminology-difference。
- CLM-009 U-Net 归纳偏置对 diffusion 质量非关键：标准 ViT 可直接替换 U-Net backbone 并取得更优质量。
- 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-009 核验 CLM-009 架构论题：可检验部分（ViT 替换 U-Net 质量反升）与 Table 2/3/6 一致；'归纳偏置非关键'属作者诠释（非受控对比），按 A4 保留。partially-supported。