EVI-018
Evidence
主文 T2I 表 + ImageNet 主表：CFG 的推理期质量增益（支撑 CLM-018）。
| id | EVI-018 |
|---|---|
| type | evidence |
| claims | CLM-018 |
| source | SRC-2112.10752 |
| observation | 主文 Tab.（Text-Conditional Image Synthesis, MS-COCO, 250 DDIM steps：LDM-KL-8 vs LDM-KL-8-G）+ class-conditional ImageNet 256² 主表（LDM-4 vs LDM-4-G, cfg=1.5）+ Changelog（v2 的 T2I 数由 1.45B + CFG 产生） |
| method | T2I：LAION-400M，1.45B KL-LDM，BERT tokenizer，τ=transformer，MS-COCO val，250 DDIM steps，guided 版 cfg s=1.5。Class-cond：ImageNet 256²，LDM-4 400M，250 步，cfg=1.5（三/四通道口径见表内注）。 |
| scope | T2I 1.45B（23.35→12.61）; class-cond ImageNet 256²（10.56→3.60）; 250 步; cfg 1.5 |
Result
开启 CFG（s=1.5）前后：
- text-to-image（MS-COCO, 250 步）：LDM-KL-8 FID 23.35 → LDM-KL-8-G 12.61（降幅 ≈47%）；IS 19.93 → 26.62。
- class-conditional ImageNet 256²（250 步）：LDM-4 FID 10.56 / IS 103.49 → LDM-4-G FID 3.60 / IS 247.67（prec 0.87），降幅 ≈66%。
同表参照（T2I, 250 步）：CogView 27.10；LAFITE 26.94；GLIDE 12.24；Make-A-Scene 11.84；LDM-KL-8 23.35/19.93；LDM-KL-8-G 12.61/26.62。
Caveats
"CFG 大幅提质"是推理期效应——同一份训练好的权重，仅采样时用 ε̂(s)=ε(∅)+s·(ε(c)−ε(∅)) 外推即改变 FID，不增加训练成本；故 23.35 与 12.61 的差异不能归于"训了更大的模型"。需注意 guidance scale 与通道数的口径：DiT 侧把 cfg 施加在 4 通道 latent 的前 3 通道（等效换算 3ch 1.5≈4ch 1.375），LDM 主表的 1.5 为通道无关标称值；不同 scale 下 FID 单调下降但样本多样性（recall）略降（见 CLM-001 的 2.27 讨论）。T2I 的 23.35/12.61 与 class-cond 的 10.56/3.60 分属两张不同的表、两套数据（LAION/MS-COCO vs ImageNet），不要跨表相减。
引用（3）
- CLM-001 DiT-XL/2（cfg=1.50，3 通道 guidance）在 ImageNet 256×256 达 FID-50K 2.27，为包括 StyleGAN-XL 在内的最低 FID。
- CLM-018 推理期 CFG 大幅抬升 LDM 质量且几乎不加训练成本：LDM-KL-8 在 MS-COCO FID 23.35→12.61（s=1.5）。
- SRC-2112.10752 Latent Diffusion Model 原始论文（Rombach et al.）；Stable Diffusion 学术源头，DiT 所引『latent diffusion』。
被引用（3）
- CLM-018 推理期 CFG 大幅抬升 LDM 质量且几乎不加训练成本：LDM-KL-8 在 MS-COCO FID 23.35→12.61（s=1.5）。
- FRM-2112.10752 LDM 五层重建：感知压缩 AE + 潜空间扩散的两段分解，换取训练/采样成本大降；多任务多分辨率（256²/512²→~1024²）。
- VER-018 CFG 核验：推理期提质（T2I 23.35→12.61、IS 19.93→26.62；ImageNet 10.56→3.60）与两表一致、非增训，机制同 CPT-003。supported。