arXiv 新增 + diffusion transformer feature circuits · P2 · 2026-06-17

DifFRACT：它和通用视觉自监督的关系在于：把 transcoder circuit tracing 扩展到 FLUX 类 MM-DiT，解释 denoising 过程中的语义传播

中高相关；详见方法、贡献和实验边界。

DifFRACT: Diffusion Feature Reconstruction and Attribution for Circuit Tracing　arXiv 新增 + diffusion transformer feature circuits　原文链接

编号2606.15796 优先级P2 类别arXiv 新增 + diffusion transformer feature circuits 会议arXiv 新增 + diffusion transformer feature circuits 方法把 transcoder circuit tracing 扩展到 FLUX 类 MM-DiT，解释 denoising 过程中的语义传播来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把 transcoder circuit tracing 扩展到 FLUX 类 MM-DiT，解释 denoising 过程中的语义传播。中高相关；详见方法、贡献和实验边界。

**Figureure 25 · : Mean absolute error between the original model’s block output and th**Figure 25: Mean absolute error between the original model’s block output and the LRM’s block output at each of the analyzed blocks, for the image and text streams. Error grows monotonically with depth as floating-point discrepancies accumulate, but stays within numerical-precision range across all 16 LRM blocks.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 DifFRACT 的方法或实验，请结合正文精读段落一起看。

**Figureure 26 · : Generated images for 10 prompts**Figure 26: Generated images for 10 prompts. Row 1: original FLUX.1[schnell]. Rows 2–5: LRM applied only at step t = 0, 1, 2, 3 respectively, with the other steps run by the original model.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 DifFRACT 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：把 transcoder circuit tracing 扩展到 FLUX 类 MM-DiT，解释 denoising 过程中的语义传播。

方法拆解

把 transcoder circuit tracing 扩展到 FLUX 类 MM-DiT，解释 denoising 过程中的语义传播

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。