以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Training acceleration methods for diffusion transformers, such as REPA and dispersive regularization, are commonly explained by additional supervision, spatial-structure priors, or improved feature geometry. We revisit this view and uncover a striking internal change: the AdaLN-Zero residual gate α, which directly cont
阅读原文 · Junha Park, Jaemyung Yu, Jaehui Hwang, Jong-Seok Lee, Dongyoon Han
向阳乔木 · opencode-go/deepseek-v4.1-flash
扩散模型训练加速这件事，大家一直有个默认解释：REPA、dispersive loss 这类方法好用，是因为它们给了模型更好的监督信号、空间结构先验，或者让特征几何更规整。 这篇论文说，先别急着下这个结论。它发现这些加速方法在模型内部留下了一个很具体的痕迹： AdaLN-Zero 里的残差门控 α 被大幅重组了 。 α 控制的是条件信息以多强的强度进入残差流...