主流扩散模型（如 SD3 的 MM-DiT）依赖 AdaLN-Zero 机制——把时间步和池化后的文本特征转换成缩放、偏移和门控参数注入每一层网络。MM-JiT 直接把 AdaLN 整个删掉，理由很直接：当前噪声水平已经包含在加噪后的输入 z_t 里，模型可以自己推断处于扩散哪个阶段，不需要额外通道传时间信息。最终 MM-JiT 用 AdaLN-free 的 Pre-Norm Transformer + 2 个 Text Adapter Block 实现了 FID 从 18.7 降到 13.7 的提升。这一改动说明：很多历史遗留的设计假设，在更优的预测目标和架构下其实是冗余的。

MiniT2I 的前身是 2025 年底何恺明团队提出的 JiT（Just image Transformers），核心主张是「让扩散模型回归去噪本质」——直接在像素空间预测干净图像（x-prediction），而不是预测噪声（ε-prediction）或速度（v-prediction）。关键发现是：由于流形假设，干净图像分布在低维流形上，而噪声充斥整个高维空间；用低容量网络聚焦干净信号，反而在高分辨率下比传统预测方式更高效。JiT 在 ImageNet 上验证了这套逻辑，MiniT2I 则将其扩展至开放的文生图领域。

就在 MiniT2I 发布同期，2026 年 6 月开源的 HiDream-O1-Image-1.5（8B 参数）同样砍掉了 VAE，登顶开源文生图榜。但二者路线有本质差异：MiniT2I 追求极低成本（258M 参数 + 8 张 H100 训 3 天），性能在 GenEval 上达 0.87；HiDream 则是大参数 + 全像素端到端（像素、文本、控制条件共用 Token 空间），在长文本渲染准确率上做到 0.978，ELO 分数 1187。同一切入点下的两种博弈——学术团队走轻量验证，工业方案走性能极限，背后反映的是像素空间路线从「可行性验证」走向「落地分化」。

2022 年 LDM（潜在扩散模型）将扩散搬到潜空间，极大降低了计算门槛，成了行业标准。但 MiniT2I、JiT、pMF 等一系列工作从 2025 年起集体「回归像素空间」——核心变量是 x-prediction 和纯 Transformer 架构的组合是否能让计算效率跨过临界点。当下能看到的关键信号是：英伟达的 PiD 解码器已在潜空间路线中嵌入像素扩散来补充细节，实质是混合路线。未来 1-2 年的焦点不是「像素 vs 潜空间」的路线对决，而是「极简像素模型能否通过扩量级追上工业模型」——这取决于数据规模和算力的边际收益是否足够陡峭。

MiniT2I 证明了极简架构的可行性，但核心开放问题是：这套「删繁就简」策略在更大规模上能否线性扩展？当前 MiniT2I 的 GenEval 得分 0.87 已逼近 7B 级模型，但短板明显——文字渲染和命名实体生成远弱于 FLUX / Qwen-Image。这究竟是训练数据规模（仅 CC12M + 12 万合成图）的瓶颈，还是像素空间路线在语义对齐上有结构缺陷？下一个关键信号是：团队若把参数拉到 1B+、数据量提升一个量级后，GenEval 能否冲上 0.95 以上——若能，则工业级极简文生图的路就通了。