Linumは、2.5Bパラメータを持つピクセル空間のテキストから画像への拡散TransformerであるJiT-DDTをリリースしました。この研究成果は、エンコーダー・デコーダーアーキテクチャを使用してクリーンな画像を直接予測するものであり、潜在拡散モデル（LDM）で通常使用される個別の変分オートエンコーダー（VAE）の必要性を排除しています。
同社のLinum v2ベースラインと比較して、JiT-DDTは3.6倍高速に学習し、512x512の解像度で画像を生成します。これは、256x256ベースラインの画素数と比較して4倍に相当します。高次元の入力を管理するために、このアーキテクチャは視覚トークンとテキストトークンを同時に処理するシングルストリームのDiffusion Transformer（DiT）を採用しており、エンコーダーの隠れ状態をDINOv3の特徴量に整合させる表現整列技術であるPixelREPAを活用しています。
このモデルは、微細な詳細の復元を改善するために特化型のノイズスケジュールを組み込んでおり、テキストエンコーダーにはQwen3.5-4Bを使用しています。重みとコードはApache 2.0ライセンスの下で利用可能です。実装は、約24 GBのメモリを持つCUDA GPUと互換性があります。
出典
- Training Text-to-Image Models 3.6× Faster （Hacker News Frontpage, 2026-09-16）
- Model code