arXiv 2026年10月5日LiFT 把循环 DiT 的每次循环监督到一条从初始速度估计指向流匹配目标的直线路径上的对应点，使训练好的检查点可在推理时使用远超训练深度的循环数；在 ImageNet 类别条件生成上，L/2 与 XL/2 检查点通过把推理算力重新分配给循环，在更少参数与更少推理 FLOPs 下取得优于更大稠密 DiT 的 FID，而 B/2 规模上稠密模型仍更强。LiFT 把循环 DiT 的每次循环监督到一条从初始速度估计指向流匹配目标的直线路径上的对应点，使训练好的检查点可在推理时使用远超训练深度的循环数；在 ImageNet 类别条件生成上，L/2 与 XL/2 检查点通过把推理算力重新分配给循环，在更少参数与更少推理 FLOPs 下取得优于更大稠密 DiT 的 FID，而 B/2 规模上稠密模型仍更强。LiFT 让循环 DiT 在训练深度之外继续提升：L/2 与 XL/2 以更少参数和推理算力超过更大的稠密 DiTLiFT 把循环 DiT 的每次循环监督到一条从初始速度估计指向流匹配目标的直线路径上的对应点，使训练好的检查点可在推理时使用远超训练深度的循环数；在 ImageNet 类别条件生成上，L/2 与 XL/2 检查点通过把推理算力重新分配给循环，在更少参数与更少推理 FLOPs 下取得优于更大稠密 DiT 的 FID，而 B/2 规模上稠密模型仍更强。LiFT 把循环 DiT 的每次循环监督到一条从初始速度估计指向流匹配目标的直线路径上的对应点，使训练好的检查点可在推理时使用远超训练深度的循环数；在 ImageNet 类别条件生成上，L/2 与 XL/2 检查点通过把推理算力重新分配给循环，在更少参数与更少推理 FLOPs 下取得优于更大稠密 DiT 的 FID，而 B/2 规模上稠密模型仍更强。