英文：Diffusion Transformer 分类：multimodal
以 Transformer 为主干的扩散模型（DiT），取代 U-Net 成为图像/视频生成的新标准架构。它凭借可扩展性实现高质量、高分辨率生成（Sora、Stable Diffusion 3 等）。
设计：图像切 Patch+位置编码→Transformer 块（含 adaLN 条件注入）→去噪预测；优势：算力可缩放（参数/数据增长提升质量）、统一视频/图像/3D；配合流匹配（Rectified Flow）训练更稳。
用于顶级文生图/文生视频（Sora 系、SD3、Flux）、高分辨率生成与多模态生成统一框架；DiT 是"生成式缩放定律"的载体。