Flag-DiT

基于 Diffusion Transformer（DiT）又迎来一大力作「Flag-DiT」，这次要将图象、视频、音频和 3D「一网打尽」。今年 2 月初，Sora 的发布让 AI 社区更加看到了基础集中模型的潜力。连同以往出现的 Stable Diffusion、PixArt-α 和 PixArt-Σ，这些模型在生成真实图象和视频方面取得了显著的成功。这意味着开始了从经典 U-Net 架构到基于…