DiffusionBench：面向生成式扩散变换器的全面评估基准
DiffusionBench 是一个旨在全面评估生成式扩散变换器（Diffusion Transformers）性能的基准测试平台。该仓库提供了统一的评估框架，涵盖多种扩散模型架构与任务，帮助研究人员系统性地比较不同方法的有效性、效率和生成质量。
背景速读
- DiffusionBench 是一个专门评测扩散变换器模型的基准测试框架。扩散模型（如 Stable Diffusion、DALL·E、Sora）是目前主流的图像/视频生成方法，而"扩散变换器"是将 Transformer 架构（即 GPT 等大语言模型的核心结构）引入扩散模型的最新趋势。
- 该项目由 End2End-Diffusion 团队维护。其关键创新在于"全面评估"：现有基准（如 FID、CLIP score）只衡量图像质量或文本-图像匹配度，而 DiffusionBench 将评测维度扩展到 3D 一致性、时序连贯性（视频）、物理合理性、常识推理等多个层次。
- 发布该基准的背景是：Sora、Stable Diffusion 3、PixArt-α 等扩散 Transformer 模型迅速兴起，但缺乏统一的、超越像素级质量的评测标准。这导致社区难以系统比较不同模型在"理解世界"方面的表现差异。
- 此仓库对研究者、模型开发者以及关注 AI 生成内容可靠性的人士意义较大——它试图回答"生成模型到底多懂物理规律？"等深层问题，而不仅仅是"图片好不好看"。