DiT架构（DiT）

AI知见编辑部 · 技术原理 · 持续更新

一句话说清

把大模型的Transformer架构搬到图像视频生成上——Sora、可灵、即梦的画质飞跃，发动机就是它。

上一代AI画图的核心架构叫U-Net，像个经验丰富的老画匠：手艺不错，但教不会更多徒弟、堆不了更多算力，天花板明显。DiT的做法是把大语言模型验证过的Transformer搬过来——这个架构最大的优点是"舍得砸钱就变强"，数据越多、算力越足，画质一路涨。

换架构的效果立竿见影：2024年Sora横空出世，画面连贯性和物理合理性碾压同期产品，用的就是DiT路线。之后可灵、即梦、Vidu全部跟进。你在2026年看到的AI视频质量，放到2023年是不可想象的。

有意思的是，DiT证明了大模型时代的"统一"趋势：文字、图片、视频，底层架构正在收敛到同一套Transformer家族。理解文字的和生成画面的，越来越像同一颗大脑的不同功能区。

你用即梦、可灵生成视频，画面从"一眼假"进化到"以假乱真"，背后是DiT替代了上一代架构。

完全不用。就像开车不用懂发动机，这个名词出现在新闻里时你知道"哦，说的是视频生成的底层架构"就够了。

看平台授权条款不看架构。即梦、可灵的付费版一般含商用授权，免费版有限制。另外AI生成视频发布时记得按规打"AI生成"标识。