想请懂底层的朋友帮我补一块：那个随时间变化的调制模块，到底是怎么作用在生成过程的不同阶段上的，我看了几遍还是没吃透。
背景说一下。最近抽空看新一代生图模型的架构，发现跟以前那套差别不小：图像和文本分成两条流各自处理，再融合到一起，这个双流注意力对图文对齐的帮助很直观，指令跟得更紧。另外采样效率也做过优化。我不是专门搞底层的，很多细节还在补，只从用的体感说，提示词确实吃得更透，听话程度高了一截。时变调制这块有真跑过的佬，麻烦展开讲讲，先谢过。
我理解文本那条流也跟着一起更新，不只是当条件喂进去
1 个赞
蹲一个底层解析，我也没吃透
求佬展开时变调制
收藏慢慢啃