热点事件持续更新

LiFT：推理时循环加深DiT层，FID降低3.34

2 篇报道1 个报道来源57 分钟前更新

先了解这件事

AI 综述

2026年10月6日，阿姆斯特丹大学 Cees Snoek 团队（VISLab Amsterdam）发布 LiFT（Loop Flow Transformers）。该方法把 DiT 的部分层设为“循环核心”，在推理时被反复调用，从而把推理深度扩展到训练深度之外，且无需重训练、无需早退，也不对模型做其他改动。在 ImageNet 上，LiFT 相比稠密 DiT-XL/2 取得 3.34 的 FID 优势，同时参数减少 60%、训练 FLOPs 减少 32%、推理 FLOPs 减少 52%。两篇报道对这些数字的表述一致；后续报道补充了 VISLab Amsterdam 的机构署名，并强调循环深度可远超训练深度。报道未提及更早的相关进展，目前信息均为该次发布所披露的实验结果。

AI 根据报道生成 · 21 分钟前更新

报道时间线

沿着报道，了解事件的不同侧面。

10月6日

21:17
AGI Hunt
LiFT 循环 Transformer：参数省 60%，FID 反降 3.34 点
VISLab Amsterdam 提出 LiFT（Loop Flow Transformers）循环生成模型，反复应用共享 DiT 核心扩展计算量，可循环至远超训练深度而无需重训或早退。
20:29
AGI Hunt
LiFT 让 DiT 推理时循环加深，FID 降 3.34 且省 52% 推理算力
阿姆斯特丹大学 Cees Snoek 团队等发布 LiFT（Loop Flow Transformers），把 DiT 的部分层变为循环核心，在推理时循环调用，从而把推理深度扩展到训练深度之外，无需重训练或其他改动。在 ImageNet 上，LiFT 以 3.34 的 FID 优势击败稠密 DiT-XL/2，同时参数减少 60%、训练 FLOPs 减少 32%、推理 FLOPs 减少 52%。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。