这项由阿里巴巴集团与南京大学联合开展的研究，于2026年5月以预印本形式发布，论文编号为arXiv:2605.20708。研究团队来自阿里巴巴集团、南京大学、浙江大学和香港城市大学，聚焦于当下最热门的AI图像生成技术领域，提出了一种名为"扩散自适应路由"（Diffusion-Adaptive Routing，简称DAR）的新方法，在不增加太多额外计算成本的前提下，大幅提升了AI图像生成模型的训练效率和生成质量。
一、一栋大楼里的"信息传递"出了什么问题
要理解这项研究，可以把一个现代AI图像生成模型想象成一栋高层办公楼。这栋楼里有许多层（对应模型的"层"或"块"），每一层都有一个办公室，负责对收到的信息进行加工处理，然后把结果传给上一层。最顶层的办公室汇总所有信息，最终输出一张图片。
这栋楼里的信息是怎么传递的呢？按照传统设计，每一层的输出都会直接累加到一根"总线"上，然后传给下一层。这就像每个办公室处理完文件后，都把自己的结论写在同一张纸条上，一层一层叠加上去，传给楼上的同事。这种方式简单直接，几十年来被几乎所有类似的模型沿用。
然而，研究团队在仔细检查这栋楼的运作方式后，发现了三个严重问题。
第一个问题是"纸条越来越厚"。随着信息从底层一路传到顶层，那张纸条上叠加的内容越来越多，数字越来越大——研究人员测量后发现，从第1层到第28层，这个累积量膨胀了将近100倍（从约15.5暴涨到约1576）。这会导致楼上的办公室越来越难以"看清"自己写下的那一行字相对于整张纸条的重要性，信息被严重稀释。
第二个问题是"上层员工几乎收不到考核反馈"。在AI模型训练期间，系统会通过"错误信号"（即梯度）反向告知每一层"你哪里做得不够好，需要改进"。但研究团队发现，由于那根总线上的数字越来越大，错误信号在往下传递时急剧衰减——前5层的员工能收到清晰的反馈，而楼上20多层的员工收到的信号几乎可以忽略不计，比前5层低了一个数量级以上。这意味着楼上大量的"员工"长期处于几乎没有学习机会的状态，白白浪费了算力。
第三个问题是"相邻楼层在重复做同样的事"。研究团队还测量了相邻两层输出内容的相似程度，结果发现整栋楼的深层区域，相邻两层的输出内容相似度始终高于0.9（满分为1.0）。换句话说，第15层和第16层做的事情几乎一模一样，大量计算在无意义地重复，造成严重浪费。
这三个问题——信息膨胀、梯度衰减、层间冗余——在学术界有一个统称，叫做"PreNorm稀释现象"，此前在大型语言模型（如GPT类模型）中也被观察到过。但研究团队指出，在图像生成模型中，还有一个额外维度让问题更加复杂：时间步长（timestep）。
二、图像生成模型特有的时间维度问题
图像生成的过程，可以理解为从一张完全是随机噪点的图片，一步一步"去噪"，逐渐还原出清晰图像的过程。这个过程分很多步，每一步对应一个"时间步长"——从接近纯噪声的高噪声阶段，到接近清晰图像的低噪声阶段。
在高噪声阶段，模型需要关注的是图像的整体结构和大致轮廓；在低噪声阶段，模型需要关注的是细节纹理和高频信息。这意味着，在不同的时间步长下，模型各层产出的信息，哪些重要、哪些不重要，应该是动态变化的。
然而，传统的"总线叠加"方式对所有历史层的输出一视同仁，每一层的贡献权重都固定为1，完全不管现在是在高噪声阶段还是低噪声阶段，也不管某一层的输出在此刻是否真的有价值。这就像一个厨师在做菜时，无论是刚开始爆香阶段还是最后收汁阶段，都以完全相同的方式处理所有食材，从不根据烹饪进度调整策略。
研究团队通过一个巧妙的实验验证了这个问题的真实存在。他们在原始模型的每一个历史层输出上，悄悄附加了一个"虚拟开关"（初始化为1，不改变模型实际行为），然后通过计算训练损失相对于这些开关的梯度，来推断"如果这个模型有路由器，它会在不同时间步长下更偏好哪些层的输出"。结果非常清晰：即便原始模型从未被训练去做这种选择，不同时间步长下各层的"理想权重"也明显不同。这说明，对时间步长的感知是图像生成模型的内在需求，只是传统架构没有满足它。
三、新方案：给信息传递装上"智能分配器"
既然发现了问题，研究团队设计了一套新的解决方案——DAR（扩散自适应路由）。
回到那栋办公楼的比喻。原先的做法是，每一层只是把所有前任层的输出统统加在一起，权重相同，传给下一层。DAR的做法是：在每一层，先"回顾"所有前面层输出的内容，用一种类似"注意力"的机制（softmax加权求和），根据当前层的状态和当前所处的时间步长，智能地决定每个历史层的输出应该被分配多少权重，然后用这个加权组合作为当前层的输入。
这就像办公楼里每个楼层在开始工作前，不再机械地翻看所有前辈写下的全部内容，而是先快速扫一眼全部历史资料，根据当前任务的需求，有针对性地重点参考某几层的内容，忽略其他不相关的内容。
具体来说，DAR中的每一层会计算一个"查询向量"（query），用它去匹配所有历史层输出对应的"键向量"（key），通过softmax归一化得到各历史层的权重，最终加权求和。这套机制有三种变体，区别在于"查询向量"如何生成：第一种是静态模式，查询向量是一个固定的可学习参数，本身不随时间步长变化；第二种是显式时间注入模式，在静态参数的基础上叠加模型已有的时间步嵌入信号，让查询向量能感知到当前处于哪个去噪阶段；第三种是动态模式，查询向量由上一层的实际输出经过线性变换得到，由于模型各层的输出本身就携带了丰富的时间步信息，这种方式能隐式地实现时间感知。
研究团队通过实验证明，后两种带有时间步感知的变体，性能显著优于第一种纯静态模式——在100K训练步时，静态模式的FID（衡量图像质量的指标，越低越好）为22.36，而动态模式仅为13.95，显式时间注入模式为17.39。这有力地说明，时间步感知是DAR能够发挥作用的核心要素。
为了进一步验证动态模式"隐式携带时间信息"这一假设，研究团队专门做了一个线性探针实验：冻结已训练好的动态DAR模型，对每一层的聚合输出进行线性回归，看能否准确预测当前的时间步长。结果显示，所有28层的R?（预测准确度，满分1.0）均远高于0.80的基准，前5层就达到0.95以上，深层接近1.0。这证明时间步信息确实被完整地编码在模型各层的动态输出中，动态查询向量因此天然具备强烈的时间感知能力。
四、处理"内存开销"的工程智慧：分块聚合
理论上，DAR需要保存所有历史层的输出，以便在每一层做加权聚合。对于一个有28个块（每块含2个子层，共56个子层）的模型来说，这意味着要储存56份完整的隐藏状态，内存开销会随着层数线性增长，对于更深的模型来说很快就会变得不可接受。
为此，研究团队设计了一种"分块聚合"策略。具体做法是：将所有子层按顺序分成若干块（chunk），每块包含S个子层。当某一子层需要进行聚合时，它能看到的历史信息来自两部分：一是此前所有块各自的"代表"（即每块最后一个子层的输出，作为该块的摘要），二是当前块内在它之前的所有子层输出。这样，聚合时需要处理的来源数量从O(L)降低到O(S+N)，其中N是块的数量，S是块的大小。
那么块的大小S该选多少？研究团队从理论上推导出一个成本函数，发现S存在一个最优值：S* = √(L·(1-α)/(1+α))，其中α是一个介于0和1之间的参数，反映分块压缩造成的信息损失程度。对于SiT-XL/2这个模型（共56个子层），代入合理的α范围，预测最优块大小约为3.7到4.9之间，即S=4。实验结果完美印证了这一预测：S=4时FID为8.39，远好于S=1（FID 10.41）和S=8（FID 11.14），呈现出清晰的U形曲线，两端都差，中间最好。
这个理论结果还有一个有趣的推论：随着模型越来越深（L越大），最优块大小S*也应该按√L的规律增大。这意味着当未来的模型扩展到更深的架构时，需要相应地调大块的大小，而不是固定使用S=4。
五、实验验证：数据说话
研究团队在ImageNet 256×256这一标准图像生成基准上，进行了系统性的实验对比。
基准对比方面，原始SiT-XL/2模型（675M参数）训练175万步后，在无分类器引导（CFG）条件下的ODE采样FID为9.67。而DAR静态c4变体同样使用675M参数，仅训练60万步，ODE FID就达到了7.56，提升了2.11分；若使用SDE采样，FID更低至6.92。DAR动态c4变体（751M参数）训练50万步后，ODE FID为8.07，SDE FID为7.39；加上CFG后，ODE FID进一步降至2.05，优于基准的2.15。
换一个更直观的说法：原始模型需要跑175万步才能到达的质量水平，DAR模型只需约20万步就能达到，实现了约8.75倍的训练加速。
为了排除"DAR性能好只是因为参数更多"这一可能的混淆因素，研究团队专门训练了一个叫做"SiT-Plus"的加宽版基准模型，参数量与DAR动态c4相当（752M），且使用了两倍的训练预算（175万步）。结果，SiT-Plus的FID仍然远差于DAR，彻底证明DAR的收益来自架构设计本身，而非单纯的参数扩容。
与U-Net风格跳跃连接的对比也值得一提。此前有一类方法（如U-ViT、U-DiT等）通过手工设计"长跳跃连接"，将浅层输出直接传给特定深层，以此改善信息流动。在SDE+CFG条件下，DAR静态c4以仅为U-DiT-L参数量83%的体量，FID仍优于后者0.77分；在ODE条件下，DAR动态c4比U-ViT-H/2改善了0.24分。更重要的是，DAR不需要手工指定哪层连哪层，保留了Transformer天然的"均匀堆叠"结构，有利于未来继续扩展规模。
六、与REPA叠加：两种加速策略互不干扰
REPA是另一种加速DiT训练的方法，其核心思路是在训练时增加一个辅助损失，强制模型中间层的表征对齐预训练视觉编码器（如DINOv2）的输出，从而让模型更快学会有意义的表征。REPA的介入点是训练目标，不涉及模型内部的信息传递方式。
DAR的介入点是模型架构中的残差连接，与训练目标完全无关。两种方法从不同维度各自改善了模型的学习效率，因此理论上可以叠加使用而不会相互抵消。
实验结果印证了这一判断。在100K训练步时，单独使用REPA的FID为9.89，而DAR+REPA组合为7.09；200K步时，分别为6.89和5.92；300K步时，分别为6.29和5.68。尤为值得注意的是，DAR+REPA在100K步时的FID（7.09），已经好过单独使用REPA在200K步时的FID（6.89）。这意味着这两种加速机制叠加后，早期训练阶段相当于实现了约2倍的额外加速，两种方法的收益确实是相加而非相互抵消的。
七、工程优化：让DAR实际可用的底层加速
DAR需要在每一层对所有历史源进行聚合运算，朴素实现会带来严重的性能瓶颈——每次聚合都需要多次读写显存（HBM），当历史源数量N随层数增大时，延迟和内存开销都会急剧攀升。研究团队为此专门实现了一个高效的Triton内核。
核心思路是将整个聚合过程融合进一个单一的CUDA内核：利用在线softmax递推，在一次遍历历史源的过程中，同时完成RMSNorm、点积、归一化和加权求和，使得每个历史源只需从显存读取一次，所有中间结果（如RMS值、键向量、点积值、指数值）都只存在寄存器中，不写入显存。反向传播内核则用两次流式遍历替代原本的四到五次读写。
实测结果（以SiT-XL/2的工作点N=57为例）：动态变体的前向延迟从22.5ms降至1.96ms，加速11.5倍；反向从115.8ms降至13.6ms，加速8.5倍；前向激活显存峰值降低78.7%，反向降低74.6%；静态变体的显存节省更高达82.1%。这些节省随N单调递增，意味着随着模型变得更深、历史源更多，这套优化方案的价值只会越来越大。
八、在真实产品模型上的应用：大图像生成后训练
除了在学术基准上的验证，研究团队还将DAR应用于一项更贴近实际产品的任务：对阿里巴巴旗下的大规模文生图模型Qwen-Image进行分布匹配蒸馏（Distribution Matching Distillation，DMD）后训练。
DMD是一种让模型从需要数百步推理压缩到仅需4步推理的技术，但代价是容易丢失图像中的高频细节（如锐利边缘、精细纹理）。研究团队发现，当Qwen-Image配备DAR后，DMD蒸馏得到的模型能更好地保留这些高频细节，视觉质量明显优于未使用DAR的基线。研究团队将此归因于DAR带来的更平衡的梯度流动，使得蒸馏这一本就脆弱的训练过程更加稳定，从而能更好地保留细节信息。具体来说，实验使用了LoRA微调（秩为64），学生分支学习率5×10??，4步去噪，引导系数4.0，在1024×1024分辨率下训练。
说到底，这项研究揭示的是一件长期被忽视的事：AI图像生成模型里，信息究竟是怎样从一层传到另一层的，这件事本身就是一个值得认真设计的问题，而不是直接从语言模型里搬过来就行了。过去几年里，研究者们在模型的方方面面做了大量改进——用更好的编码器、更精妙的训练目标、更强大的文本理解能力——但信息在层与层之间的传递方式，几乎没有人动过。这次研究团队把这个"传统"捡起来仔细审视，发现问题比想象中严重，改进空间也比想象中大。
归根结底，DAR的贡献不在于发明了某种全新的数学工具，而在于把一个正确的问题问到了正确的地方。当一个模型有28层甚至更多层时，每一层应该重点参考哪些历史输出，在去噪的不同阶段应该有不同的答案——这件事应该由模型自己学会，而不是被硬编码成"所有历史输出权重相同"。
对于普通用户而言，这项研究最直接的影响是：未来你使用AI生图工具时，生成同等质量图片所需的训练成本可能大幅降低，而图像的细节质量，尤其是在边缘锐利度和纹理精细度上，可能会有可见的提升。对于研究者而言，这项研究提示了一个值得持续探索的方向：当模型规模继续扩大、层数继续增加时，跨层信息路由的设计将变得越来越重要，DAR可能只是这个方向上的第一步。感兴趣的读者可以通过arXiv编号2605.20708查阅完整论文。
Q&A
Q1：DAR方法和普通残差连接相比，具体改变了什么？
A：普通残差连接会把所有历史层的输出以相同权重（都是1）累加传递给下一层，不管哪层更重要。DAR改成了用softmax加权求和，每一层可以根据当前状态和去噪阶段，动态决定各历史层的贡献比例，权重由模型自己学习，而不是固定为1。
Q2：DAR训练速度提升8.75倍是怎么算出来的？
A：原始SiT-XL/2模型需要训练175万步才能收敛到最终质量（FID约9.67）。DAR静态c4在约20万步时就能达到同等FID水平，175万÷20万≈8.75，所以说是约8.75倍加速。这是在参数量相同（675M）的条件下测量的，排除了参数增多的影响。
Q3：DAR分块聚合的块大小为什么选4而不是其他值？
A：研究团队从理论上推导出最优块大小公式S*=√(L·(1-α)/(1+α))。对于SiT-XL/2（共56个子层），代入合理参数范围后，预测最优值在3.7到4.9之间，即S=4。实验也证实S=4时FID最低，S=1和S=8都更差，呈U形曲线，与理论预测完全吻合。
