grafting

像嫁接植物一样组合扩散模型架构，快速找到最优设计。

grafting 是 NeurIPS 2025 Oral 论文的官方代码，研究扩散 Transformer（DiT）的设计空间。它提出一种称为“嫁接”的架构编辑方法，将不同 DiT 变体的层或模块进行组合替换，以探索最优设计。项目解决了 DiT 架构设计缺乏系统性探索的问题，通过可复现的实验代码，帮助研究者快速对比不同设计选择（如卷积与注意力混合）对生成质量的影响。核心能力包括架构编辑工具链、实验配置和基准结果，支持在图像生成任务上验证新设计。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 75

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队keshik6

所属国家

官网地址https://grafting.stanford.edu

GitHubhttps://github.com/keshik6/grafting

定价模式free

价格说明开源代码，Apache-2.0许可，官网提供在线演示，完全免费。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Jupyter Notebook

技术栈/模型architecture-editing,architecture-research,convolutions,diffusion-models,diffusion-transformer,diffusion-transformers,grafting,hyena-operator,hyena-x,hyena-y,image-generation,linear-attention,mamba-2,model-architecture-editing,model-grafting,post-training,self-attention,sub-quadratic-attention,text-to-image-generation

GitHub 星标★ 75

30天Star增速

HF 下载量

上线时间2025-06-10 00:00:00

最近更新2026-08-29 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

核心亮点

官方代码，与 NeurIPS 论文同步，可信度高
提供架构编辑方法，便于系统性探索 DiT 变体
实验配置清晰，易于复现和扩展

不足之处

早期项目，文档和社区支持待观察
依赖 Jupyter Notebook，可能不适合大规模训练

适用场景

研究扩散模型架构设计
对比不同注意力与卷积组合的效果
复现 NeurIPS 论文实验

替代项目

DiT、U-ViT、MDT

项目介绍

grafting 是模型训练领域的开源项目，由 keshik6 开发，2025 年首次发布。

它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 75。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-08-29。开源代码，Apache-2.0许可，官网提供在线演示，完全免费。从国内网络环境看，可直接访问。

它主要面向的使用场景是：研究扩散模型架构设计。同类可对比的替代方案包括 DiT、U-ViT、MDT。

上一篇：flow-matching

下一篇：simple-diffusion