[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-outlier-tokens-diffusion-transformers-dsr-zh":3,"article-related-outlier-tokens-diffusion-transformers-dsr-zh":29,"series-research-92510ea0-af04-4078-9e4f-ac4365a55e48":83},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":11},"92510ea0-af04-4078-9e4f-ac4365a55e48","outlier-tokens-diffusion-transformers-dsr-zh","DiT 的異常 token 怎麼救","\u003Cp data-speakable=\"summary\">這篇研究指出，Diffusion Transformer 裡的異常 \u003Ca href=\"\u002Ftag\u002Ftoken\">token\u003C\u002Fa> 會破壞生成品質，作者提出 Dual-Stage Registers 來同時處理編碼器和去噪器的問題。\u003C\u002Fp>\u003Cp>Diffusion Transformers，簡稱 DiTs，近年是影像生成的熱門架構之一。但這篇論文提醒一個很容易被忽略的痛點：模型裡少數 norm 特別大的 outlier tokens，可能會把注意力拉歪，進而讓生成結果出現瑕疵。換句話說，做 DiT 不只是在比模型大不大、資料多不多，token 在模型內部怎麼流動，也會直接影響成品質感。\u003C\u002Fp>\u003Cp>這篇論文是 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2605.05206\">Taming Outlier Tokens in Diffusion Transformers\u003C\u002Fa>。它聚焦在基於 Representation Autoenc\u003Ca href=\"\u002Fnews\u002Fclaude-code-production-workflow-guide-zh\">ode\u003C\u002Fa>r，簡稱 RAE，的 DiT 管線，發現 outlier 不只出現在預訓練的 ViT encoder，也會出現在 DiT denoiser 本身。這代表問題不是某一個模組單獨出包，而是整條生成流程都可能被影響。\u003C\u002Fp>\u003Ch2>這篇在解什麼痛點\u003C\u002Fh2>\u003Cp>作者要處理的核心問題，是 outlier tokens。這些 token 的 norm 異常大，會吸走很多 att\u003Ca href=\"\u002Fnews\u002Fhow-to-build-agentic-rag-with-langgraph-zh\">enti\u003C\u002Fa>on，但它們本身攜帶的局部資訊卻不一定多。這種現象在 Vision Transformer 裡早就有人注意到，但過去多半是在辨識或表徵學習的脈絡下看待。這篇論文進一步問：如果同樣的現象發生在生成模型裡，會怎樣？\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778134864544-t1yt.png\" alt=\"DiT 的異常 token 怎麼救\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>答案是，影響不小。生成模型不像分類器只要最後判對就好，它需要在 denoising 過程中維持穩定的 token 互動。若少數 token 一直主導 attention，而且主導的理由不是內容本身，而是數值上特別大，那模型就可能把結構帶歪，最後生成出 artifacts，而不是乾淨的影像。\u003C\u002Fp>\u003Cp>更重要的是，這篇研究不是把 outlier 當成單點故障來看。它指出，在 RAE-DiT 管線裡，pretrained ViT encoder 可能先吐出帶有 outlier 特性的表示；進到 DiT denoiser 後，模型內部也可能在中間層長出自己的 outlier tokens。也就是說，上游一旦不穩，下游很可能跟著放大問題。\u003C\u002Fp>\u003Cp>這裡還有一個值得注意的負結果：單純把高 norm token mask 掉，並不會讓表現變好。這表示問題不是「抓幾個極端值刪掉」那麼簡單。作者的解讀比較像是，問題根源和局部 patch semantics 被污染有關，這比單純做 outlier clipping 更結構性。\u003C\u002Fp>\u003Ch2>方法到底怎麼運作\u003C\u002Fh2>\u003Cp>為了處理這個問題，論文提出 Dual-Stage Registers，簡稱 DSR。從名字就看得出來，它不是只修一段，而是同時動到兩個階段：encoder 和 denoiser。概念上，register tokens 被拿來當作干預手段，讓模型有一個額外的空間去吸收、轉移或重整那些容易失控的 token 行為。\u003C\u002Fp>\u003Cp>抽象內容提到 DSR 有三個部分。第一，當有訓練過的 registers 可用時，就直接使用。第二，如果沒有訓練好的 registers，系統會退回 recursive test-time registers。第三，還會加入 diffusion registers，專門處理 denoiser 端的穩定性。白話一點講，作者不是只想在輸入端做修補，而是想讓整個 token 流程在兩個關鍵階段都更穩。\u003C\u002Fp>\u003Cp>這個設計的工程意義很直接。如果 encoder 已經產生 outlier 表示，denoiser 接收到的輸入本來就不乾淨；如果 denoiser 自己又在中間層產生 outlier tokens，那它的內部 dynamics 也會把問題繼續放大。DSR 的想法，就是把這兩種來源一起管，不要只修一邊。\u003C\u002Fp>\u003Cp>從實作角度看，這種做法和「把壞 token 直接砍掉」不同。它比較像是在系統裡加入一個緩衝層或調節層，讓模型有機會把原本會失控的訊號導向比較穩定的路徑。這也是為\u003Ca href=\"\u002Fnews\u002Fwhy-openai-microsoft-breakup-good-for-everyone-zh\">什麼\u003C\u002Fa>論文把它叫做 dual-stage，而不是單純的 token filter。\u003C\u002Fp>\u003Ch2>論文實際證明了什麼\u003C\u002Fh2>\u003Cp>就 abstract 能確定的部分來看，作者觀察到 outlier token 現象同時存在於現代 RAE-DiT 管線的 encoder 與 denoiser。這一點很重要，因為它把問題從「前處理」或「中間層」的單一故障，提升成整條生成鏈的系統性問題。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778134848715-4z9n.png\" alt=\"DiT 的異常 token 怎麼救\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>論文也宣稱，這些介入方法可以持續減少 outlier artifacts，並改善 ImageNet 以及大規模 text-to-image 生成的品質。這代表 DSR 不是只在一個小場景裡有效，而是至少在 abstract 提到的幾個設定中都能看到正向效果。\u003C\u002Fp>\u003Cp>不過，這份來源沒有公開完整 benchmark 細節。沒有看到明確分數、百分比提升，或表格級別的比較結果，所以我們不能從 abstract 推斷改善幅度有多大。能確定的是方向：方法有效；不能確定的是規模：有多強。\u003C\u002Fp>\u003Cp>即便如此，這個結果還是有實際意義，因為論文不是只說「outlier 存在」。它還指出這些 outlier 會真的影響生成品質，而且可以透過 register-based 的方式被壓下來。對生成模型來說，能減少 artifact，本身就是很有價值的訊號。\u003C\u002Fp>\u003Cul>\u003Cli>Outlier tokens 同時出現在 ViT encoder 與 DiT denoiser。\u003C\u002Fli>\u003Cli>中間層特別容易長出內部 outlier tokens。\u003C\u002Fli>\u003Cli>單純 mask 高 norm token 並不能解決問題。\u003C\u002Fli>\u003Cli>DSR 用 register tokens 同時干預兩個階段。\u003C\u002Fli>\u003Cli>摘要宣稱能減少 artifacts，並改善 ImageNet 與 text-to-image 生成品質。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>對開發者有什麼影響\u003C\u002Fh2>\u003Cp>如果你在做影像生成，這篇論文提醒了一件事：模型內部的 token 行為，可能跟最終輸出一樣重要。很多時候我們只看 loss、看參數量、看資料規模，但這篇研究把焦點拉回到 token norm、attention 集中程度，以及 local patch semantics 有沒有在 pipeline 裡被破壞。\u003C\u002Fp>\u003Cp>對工程師來說，這也讓 registers 的角色變得更實際。過去 registers 常被看成 representation learning 的技巧；這篇論文則把它們拿來當生成管線的控制機制。也就是說，當 token semantics 開始漂移、token 互動變得不穩時，加入結構化 token，可能比粗暴地刪 token 更有效。\u003C\u002Fp>\u003Cp>但這篇摘要也留下不少實務上會在意的問題。它沒有說 DSR 的訓練成本是多少，也沒有說推論時的額外負擔。它沒有交代這方法對模型大小有多敏感，也沒有說離開 RAE-DiT 管線後還能不能用。換句話說，這是一個有方向感的修法，但還不是可以直接當成萬用補丁的結論。\u003C\u002Fp>\u003Cp>對團隊而言，這類結果比較像是設計提醒：如果你在做 DiT-based 系統，除了看 output 美不美，也要檢查 token 是否出現異常集中、encoder 是否已經把局部語意弄亂、denoiser 是否又把問題放大。這些內部病灶，可能就是 artifacts 的來源。\u003C\u002Fp>\u003Cp>這篇論文的價值，不只是提出一個新技巧，而是把一個很具體的 failure mode 說清楚。當 diffusion transformers 繼續往更大規模、更高品質的生成模型前進時，這類內部穩定性問題可能會越來越重要。對開發者來說，這是提醒，也是工具箱的擴充方向。\u003C\u002Fp>\u003Ch2>總結\u003C\u002Fh2>\u003Cp>這篇研究把 outlier tokens 從 ViT 的老問題，推進成 DiT 生成管線的實際風險。作者提出的 Dual-Stage Registers，目標是同時穩住 encoder 與 denoiser，讓生成過程少一點異常 token 造成的干擾。就 abstract 來看，方法確實朝著減少 artifacts、提升生成品質的方向前進。\u003C\u002Fp>\u003Cp>如果你正在看 Diffusion Transformer、RAE、或 register 這類設計，這篇論文值得記住的點很簡單：在生成模型裡，token 不只是資料的載體，它們本身也可能是失敗的來源。把這件事處理好，才有機會讓影像生成更穩、更乾淨。\u003C\u002Fp>","這篇論文指出，RAE-DiT 管線裡的異常 token 會干擾注意力並造成影像瑕疵，並提出 Dual-Stage Registers 來同時處理編碼器與去噪器的問題。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2605.05206",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778134864544-t1yt.png","research","zh","25495601-69d8-42fa-868d-ccd71c6d1347",[17,18,19,20,21],"Diffusion Transformers","outlier tokens","Dual-Stage Registers","Representation Autoencoder","Vision Transformer",[23,24,25],"Outlier tokens 不只出現在 ViT，也會影響 RAE-DiT 的 encoder 與 denoiser。","單純 mask 高 norm token 沒有效果，問題更像是局部語意被污染。","Dual-Stage Registers 透過雙階段介入來減少 artifacts，並改善生成品質。",4,"2026-05-07T06:20:31.06396+00:00","2026-05-07T06:20:30.862+00:00",{"tags":30,"relatedLang":42,"relatedPosts":46},[31,33,35,37,40],{"name":20,"slug":32},"representation-autoencoder",{"name":19,"slug":34},"dual-stage-registers",{"name":21,"slug":36},"vision-transformer",{"name":38,"slug":39},"diffusion transformers","diffusion-transformers",{"name":18,"slug":41},"outlier-tokens",{"id":15,"slug":43,"title":44,"language":45},"outlier-tokens-diffusion-transformers-dsr-en","Outlier Tokens in DiTs, and How DSR Fixes Them","en",[47,53,59,65,71,77],{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"42510df4-4692-44c6-a45a-c82a4a86b646","tls-turns-insecure-links-into-encrypted-sessions-zh","TLS 把明文連線變成加密會話","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780596207456-9or4.png","2026-06-04T18:02:50.988357+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"4fa896da-9616-425a-92bc-c1d7d5861ff9","streamma-multi-agent-reasoning-latency-zh","StreamMA 讓多代理推理邊想邊傳","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780554786134-1w1d.png","2026-06-04T06:32:32.769423+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"f31f51ba-4445-4e43-9bda-31e70f53d42b","audio-language-models-arbitration-reversals-zh","音訊模型不是聽不懂","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780553877373-ux95.png","2026-06-04T06:17:27.890159+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"447ac6c9-477b-45c8-bec2-ff94dc4cf5d4","stride-training-data-attribution-sparse-recovery-zh","STRIDE 讓訓練資料歸因快 13 倍","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780552979370-897a.png","2026-06-04T06:02:29.149166+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"33c9a55c-a8c0-4367-b742-f4567d1e98e3","mathematicians-warn-ai-could-distort-math-zh","數學界警告 AI 會扭曲證明標準","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780504386035-080l.png","2026-06-03T16:32:29.415063+00:00",{"id":78,"slug":79,"title":80,"cover_image":81,"image_url":81,"created_at":82,"category":13},"5c3cb90f-7efd-426f-8c09-32a303f82be9","humanoid-gpt-zero-shot-motion-tracking-zh","Humanoid-GPT：用 GPT 擴大動作追蹤","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780469319284-znpc.png","2026-06-03T06:47:34.463464+00:00",[84,89,94,99,104,109,114,119,124,129],{"id":85,"slug":86,"title":87,"created_at":88},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":125,"slug":126,"title":127,"created_at":128},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":130,"slug":131,"title":132,"created_at":133},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]