模型
别名：扩散变换器
基于扩散过程的生成模型，用于阶段条件生成。
已跟踪 3 条高相关材料
最近变化
2026-07-28 · 单个深度解码器替代多级解码器，内存复杂度恒定为21MB
为什么值得关注
DiT 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
字节开源统一框架Bernini：给DiT配个“大模型军师”，AI视频编辑先理解再动手
量子位 · 8.7 分
字节跳动开源统一视频生成与编辑框架Bernini，通过多模态大模型（MLLM）先理解语义指令并规划，再由DiT扩散模型执行高质量渲染，实现从“听指令”到“先理解再动手”的AI视频创作范式升级，支持天气、风格、动作、视角等可控编辑及参考图/视频生成。
Memory Efficient Audio Synthesis with Decoupled Temporal Depth Diffusion Transformers
Apple Machine Learning Research · 8.5 分
苹果提出基于解耦时间深度扩散变换器的音频合成架构，实现21MB内存下10ms/步的实时音频生成，MOS评分提升0.28。
应留言解读的关于DiT的论文，看作者才知道。 就是张小珺前段时间访谈的大神谢赛宁，好强。 不过这篇论文读起来难度很高，已经尽力了，一万三千字的解读，但还是很多看不懂。 https://t.co/...
向阳乔木(@vista8) · 3.5 分
解读关于DiT的论文难度很高，尽管已有13000字的详细解读，但仍有很多难以理解的部分。
已收录 3 条与 DiT 相关的内容，按评分排序。
字节跳动开源统一视频生成与编辑框架Bernini，通过多模态大模型（MLLM）先理解语义指令并规划，再由DiT扩散模型执行高质量渲染，实现从“听指令”到“先理解再动手”的AI视频创作范式升级，支持天气、风格、动作、视角等可控编辑及参考图/视频生成。
入选理由：Bernini采用MLLM-based planner + DiT-based renderer双阶段架构，实现语义理解与视觉生成的解耦。
苹果提出基于解耦时间深度扩散变换器的音频合成架构，实现21MB内存下10ms/步的实时音频生成，MOS评分提升0.28。
入选理由：单个深度解码器替代多级解码器，内存复杂度恒定为21MB
解读关于DiT的论文难度很高，尽管已有13000字的详细解读，但仍有很多难以理解的部分。
入选理由：论文解读难度高，需深入研究。
