Flan-T5-base

单GPU训练210M文本到图像DiT的实测结果

作者在一张RTX PRO 6000上用约4.2M张256²图像训练了210M参数的DiT（3.5天），得出三个可复现测量：学习到的空槽吸收大部分交叉注意力、流匹配损失是训练健康信号而非质量指标、训练时步长偏移能显著改善采样质量。