EVI-019
Evidence
主文 T2I 对比表 + §4.3.1：1.45B 文本条件 LDM 对比 AR/diffusion（支撑 CLM-019）。
| id | EVI-019 |
|---|---|
| type | evidence |
| claims | CLM-019 |
| source | SRC-2112.10752 |
| observation | 主文 Text-Conditional Image Synthesis 表（MS-COCO val，250 DDIM steps：CogView/LAFITE/GLIDE/Make-A-Scene vs LDM-KL-8 / LDM-KL-8-G）+ §4.3.1 Transformer Encoders for LDMs（LAION-400M, 1.45B, BERT tokenizer, τ=transformer） |
| method | LAION-400M 训练；1.45B KL-LDM；BERT tokenizer；τ_θ=transformer 编码文本，cross-attention 注入 U-Net；MS-COCO validation 集评测 FID/IS；250 DDIM steps；best 配置 CFG s=1.5。 |
| scope | LAION-400M→MS-COCO val；1.45B；250 步；cfg 1.5（best） |
Result
MS-COCO 250 步 text-to-image（FID↓ / IS↑）：
- CogView：27.10 / 18.20（AR）
- LAFITE：26.94 / 26.02（GAN）
- GLIDE：12.24 / –（diffusion）
- Make-A-Scene：11.84 / –（AR, 同期最新）
- LDM-KL-8（ours）：23.35 / 19.93±0.35
- LDM-KL-8-G（ours, CFG s=1.5）：FID 12.61 / IS 26.62±0.38
→ LDM-KL-8-G（1.45B）的 FID 12.61 与 GLIDE 12.24、Make-A-Scene 11.84 处于同一量级（差 ≤0.8），并大幅领先早期的 CogView 27.10 与 LAFITE 26.94（差 ≈14.3/14.3）。
Caveats
"on par with" 是相对量级判断（12.61 vs 12.24/11.84，差 0.37–0.77），严格说 LDM-KL-8-G 的 FID（12.61）略高于 Make-A-Scene（11.84）与 GLIDE（12.24），并非绝对最低——论文措辞是 "on par"（相当）而非 "new SOTA"。"substantially reducing parameter count" 指 1.45B 小于部分 AR 系统，但表中未逐一列出 CogView/Make-A-Scene/GLIDE 的精确参数量，故参数量优势的量化幅度取决于外部信息，本表只保证 1.45B 这一自身数值。IS 的 ±0.38 为多次评测标准差；FID 单次值未附误差棒（FID 对样本数敏感，5K 提示集是标准口径）。
引用（2）
- CLM-019 1.45B KL-LDM + cross-attn 文本条件在 MS-COCO 达与 Make-A-Scene/GLIDE 相当量级且参数量显著更少。
- 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-019 1.45B KL-LDM + cross-attn 文本条件在 MS-COCO 达与 Make-A-Scene/GLIDE 相当量级且参数量显著更少。
- 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-019 T2I 核验：1.45B LDM-KL-8-G 在 MS-COCO 250 步 FID 12.61/IS 26.62，与 GLIDE 12.24/Make-A-Scene 11.84 同量级（非最低），措辞如实。supported。