把残差流从被动求和改成主动检索：镜像路由让 DiT-XL/2 的 FID 从 18.85 降到 15.07，并让 REPA-XL/2 从 5.9 降到 4.34

论文对 DiT 内部路由做了系统分析，观察到两个偏离标准 Transformer 行为的现象：整个网络深度上都持续给早期层表征较高权重（编码器侧依赖），以及在获得跨层路由自由后模型自发偏好镜像/对称层配对。 此前 U-Net 的对称跳连多被视为手工设计的归纳偏置，而 U-ViT、U-DiTs 等把长跳连搬回 Transformer 时用的是静态投影融合；这里把对称性呈现为模型在可学习路由下自己寻找的结构倾向。 来自对全层路由权重的可视化（图 4）与 CKA 表征相似度分析（图 5(a)–(b)），属于内部表征层面的观察性证据，而非下游性能证据。

提出结构化残差路由：把 DiT 沿深度均分为编码器与解码器阶段，编码器侧表征（含 patch embedding 输出）作为不脱离计算图的可微残差源，每个解码器子层用 softmax 打分从候选源中选取镜像对应的单一源进行自适应融合，插入在自注意力与 MLP 两个子层之前。 与 LLM 中的 Attention Residuals 共享 softmax 打分机制，但把源池限制在编码器侧而非全部前序层输出，且每个解码器层只取一个阶段匹配的镜像源，而非稠密全连接路由；与 U-ViT/U-DiTs 的镜像配对相似，但融合权重随 token 表征、空间位置、子层与扩散时间步自适应变化，而非静态投影。 方法在 DiT-S/2 上做消融：相同镜像配对下，自适应融合（Fused-Mirror w/o Enc.，FID 64.83）优于静态跳连（U-ViT-style skip，FID 67.90，且多约 1.476M 参数）；加入编码器内部路由后进一步到 62.48。

在 ImageNet 类条件生成上，该方法在相同训练协议下一致提升不同规模的 DiT，且相对 FID 降幅随模型增大而增大，额外参数始终低于 0.1%。 400K 迭代下 DiT-S/2 从 69.81 到 62.48、DiT-B/2 从 44.21 到 36.33、DiT-XL/2 从 18.85 到 15.07；在匹配 FID 的比较中最多可减少 1.73 倍训练迭代，且这一优势随训练推进而扩大。 表 2 的受控对比，三个规模使用同一训练协议；DiT-XL/2 在 800K 迭代下 11.40 对基线 13.71，1300K 基线为 11.76。

该方法可作为微调模块叠加在已训练好的强模型上：REPA-XL/2 从 5.9 FID 经 0.28M 步微调降至 4.94，再经 0.35M 步降至 4.34；而相同设置的持续微调基线几乎无增益（5.87、6.01）。 说明后期瓶颈并非单纯模型容量不足，而在连接与梯度结构上仍有空间；同时该方法在效率上以单一阶段匹配源替代稠密路由，把解码器侧源栈激活从 1.51 GB 降到 289 MB。 REPA 微调实验从公开的 4M 迭代检查点出发，仅加入路由模块并使用去噪目标、不含 REPA 投影损失；持续微调基线使用完全相同设置但不含路由。加分类器无关引导后达到 1.39 FID。

该结果面向以 ImageNet 类条件生成、潜空间扩散协议训练的扩散 Transformer，适用于从零训练的 DiT-S/2、DiT-B/2、DiT-XL/2，以及从公开检查点出发的 REPA-XL/2 微调场景。方法以轻量归一化与投影层实现，可作为一个模块叠加在已有模型上，因此对已有训练流程的改动成本低。论文把镜像路由定位为一种结构先验：它把模型在稠密路由下本已偏好的对称配对直接给定，从而降低路由歧义、简化优化。对读者而言，这提供了一条可复用的思路——在保持 DiT 单尺度架构不变的前提下，通过重新组织跨深度信息与梯度通路来释放已有模型的表达潜力，而不必增加模型容量。

论文自身指出，更广泛的验证——更大规模的文生图与文生视频模型——仍属未来工作，这些模型涉及更复杂的条件机制、更大规模数据集与不同训练配方，可能影响最优路由结构；在引入更强多模态条件或时间依赖时，镜像路由是否仍是最佳选择也不清楚。此外，镜像配对带来的梯度对齐部分由镜像连接本身诱导，论文将其定位为对所引入优化行为的刻画而非独立因果结论。读者还可留意：路由权重随扩散时间步变化的具体行为、镜像路由在更深或非均匀深度划分下的表现，以及该方法与其它表征增强策略组合时的相互作用，这些在正文中未展开。