从潜空间网格到 token
到这一步之前的流水线没变：编码器把图或片子压进潜空间，去噪在那里进行。变的是做去噪的那个网络。
扩散 Transformer 把潜空间网格切成小块，常见是 2x2 个潜空间格子一块。每块变成一个 token，加上位置编码好让模型知道它原来在哪，然后穿过一叠完全相同的 Transformer 块。时间步和其他全局条件不是拼通道进来的，而是去调制归一化层的缩放和偏移。最后把 token 投影回小块，重新拼成潜空间图。
没有下采样路径，没有瓶颈层，没有跳连接。token 网格的空间分辨率在整个网络里保持不变，每一层都做完整自注意力。这很贵，而这正是全部意义所在：没有任何一层被限制在局部窗口里。
它为什么改变了提示词能做的事
有三种能力基本是随这个架构一起到来的。
长提示词的遵循度。 当文字 token 和画面 token 在每一层共享同一个注意力操作时，长提示词中间那句话对画布的接触面和第一句一样多。卷积主干只在几个分辨率层注入文字，丢从句是结构性的。
画面里的文字。 拼写是加在局部纹理上的全局约束：字母之间要在跨越很多潜空间格子的距离上互相对齐。完整注意力能执行这种约束，局部卷积做不到，所以上一代模型能画出很有说服力的招牌，上面写的全是乱码。
变分辨率和变时长。 token 序列本身没有偏好长度。同一套权重可以出 1:1、16:9、9:16，可以出 5 秒也可以出 10 秒，因为改输出形状只是改 token 数量。而卷积模型是在固定尺寸上学会构图的，一被推远就开始复制主体。
token 数量就是成本模型
想预估一次生成有多贵多慢，数 token 就够了。视频的 token 数大致是：潜空间的空间面积除以块大小，再乘以时间压缩后的潜空间帧数。
- 时长翻倍，token 翻倍，而注意力开销按平方涨。
- 720p 到 1080p，空间项乘以约 2.25。
- 块大小减半，token 数变四倍，这就是主打细节的变体慢那么多的原因。
所以平台的价格档位是按分辨率和时长分的，而不是按提示词复杂度分；一个敢给 1080p 十秒的模型，实际算力开销比参数表上看起来夸张得多。生产里的视频家族用几种办法把它压回可算范围：最高画质档用跨空间和时间的完整三维注意力，更看重速度的档位用分解注意力或者窗口注意力。
这件事在实操上怎么用
把架构当筛子，不当判决书。如果这个镜头需要能读的文字、明确的物体数量、你用文字描述的版式、或者一个不常见的画幅，就选 Transformer 架构的家族，并且可以指望它守得住。如果你要解决的是颗粒、皮肤、某种小众审美，或者你手上已有的风格适配器，架构决定不了结果，该测就测别猜。至于长片段超时或者花超预算，解法几乎总是减少 token：拆成短镜头再首尾相接，或者先在低分辨率跑一遍再放大收尾。