第 5 章面试题库：90 秒答案与追问¶
用途：把第 5 章知识压缩成面试语言。
方法：先自己答，再看参考；每题至少练 3 遍。标记：S = 必须熟练；A = 高频；B = 加分。
1. 本章 4 道核心题¶
| 题号 | 题目 | 重要度 | 主材料 |
|---|---|---|---|
| A7 | SD vs DALL·E 2 | S | 5.3 |
| A10 | SDXL 的核心优化 | S | 5.1 |
| A11 | SD3 的核心优化 | S | 5.2 |
| D6 | GAN vs Diffusion | A | 5.3 |
2. A10：SDXL（S）¶
90 秒版¶
“SDXL 不是单点改动，核心是四块：第一，双文本编码器，CLIP-L + OpenCLIP bigG，token 特征拼接，pooled embedding 加到时间步条件；第二，更大的 UNet，提升容量；第三，micro-conditioning，把原图尺寸、裁剪坐标、目标尺寸作为条件，解决多宽高比/裁剪偏差；第四，base + refiner 两阶段，base 出结构，refiner 低强度精修细节。再加上 1024 原生训练、多宽高比 bucketing 和更好的 VAE/数据。它不是只变大，而是文本条件、条件设计和训练一起升级。”
追问 1：micro-conditioning 解决什么？¶
训练随机裁剪导致构图偏移；告诉模型裁剪信息，让它学会补偿。
追问 2：refiner 必须吗？¶
不必须；base 能出图，refiner 主要提升局部细节，代价是延迟/显存。
追问 3：SDXL 解决 77 token 了吗？¶
没有；仍是 77 token，只是双编码器更丰富；长文本靠 SD3 的 T5。
3. A11：SD3（S）¶
90 秒版¶
“SD3 从 SDXL 的 UNet + cross-attention 转向 MMDiT + Rectified Flow。MMDiT 把文本和图像 token 分别投影后拼在一起做联合 self-attention，不同模态用不同 QKV/MLP，双向交互，比单向 cross-attention 表达力更强，也更容易 scale。训练目标改成 Rectified Flow：\(x_t=(1-t)x_0+t\epsilon\)，网络回归速度 \(\epsilon-x_0\)，采样用 Euler/Heun 解 ODE，轨迹更直、少步更容易。文本侧加了 T5-XXL 补长文本/组合推理，VAE 改成 16 通道改善重建。SD3 Medium 约 2B，Large 约 8B。”
追问 1：MMDiT 和 cross-attn 的区别？¶
Cross-attn 是图像查文本、单向；MMDiT 是联合 attention、双向。
追问 2：Flow 是 Diffusion 吗？¶
同属连续生成模型；Flow 是确定性路径 + 速度回归，采样解 ODE。
追问 3：为什么加 T5？¶
CLIP 77 token/组合性限制；T5 更适合长文本、计数、文字。
4. A7：SD vs DALL·E 2（S）¶
90 秒版¶
“两者都用 CLIP 文本编码器、都用扩散、都用引导，但路线不同。SD 是 Latent Diffusion：VAE 把图像压到 latent，UNet 去噪，文本 token 通过 cross-attention 注入，没有 prior。DALL·E 2 是 unCLIP：先用 prior 把文本嵌入映射到 CLIP 图像嵌入，再用 diffusion decoder 以图像嵌入为条件生成，低分辨率扩散后超分到 1024。SD 开放权重、可控性强，能接 LoRA/ControlNet；DALL·E 2 闭源 API，控制有限。两者不是同一个架构。”
追问 1：DALL·E 2 为什么需要 prior？¶
文本/图像嵌入有模态 gap；prior 学文本到图像嵌入的映射。
追问 2：SD 为什么不需要 prior？¶
它用 cross-attention 直接把文本 token 注入图像特征。
追问 3：两者共同点？¶
CLIP、扩散、CFG、大规模图文对。
5. D6：GAN vs Diffusion（A）¶
90 秒版¶
“GAN 用生成器和判别器对抗训练，学隐式映射，一步出图，快、锐利，但训练不稳定、容易模式坍塌。Diffusion 学逐步去噪，训练目标稳定、模式覆盖通常更好、条件控制自然，但采样慢。实际系统会混合，比如 VQGAN 用 GAN 提升重建，或少步扩散用对抗蒸馏。”
追问 1：为什么 Diffusion 稳定？¶
每步有明确去噪目标，不需要判别器动态信号。
追问 2：Diffusion 一定更好吗？¶
不；实时/特定域 GAN 仍有优势。
追问 3：为什么 Diffusion 慢？¶
多步迭代，每步一次网络；可蒸馏加速。
6. 延伸题：8 个高频追问¶
Q1：SDXL 的 VAE 和 SD1.5 一样吗？¶
都是 4 通道/8 倍，但 SDXL 训练了更好的 VAE；SD3 改用 16 通道。
Q2：SDXL 的 refiner 是什么？¶
一个低强度 img2img 的精修模型，接在 base latent 后。
Q3：MMDiT 为什么用 QK norm？¶
稳定大模型训练，控制 attention logits 尺度。
Q4：Rectified Flow 的采样一定 1 步吗？¶
不一定；通常 1–8 步，取决于模型/训练。
Q5：SD3 还用 CLIP 吗？¶
用 CLIP-L + OpenCLIP bigG，再加 T5。
Q6：DALL·E 2 的 decoder 条件是什么？¶
CLIP image embedding，不是文本 token 级 cross-attn。
Q7：DALL·E 2 为什么先生成低分辨率？¶
降低扩散成本，再用超分到 1024。
Q8：GAN 和 Diffusion 能混合吗？¶
能，VQGAN、对抗蒸馏、扩散教师 + GAN 学生。
7. 追问树：A11¶
SD3
├── 架构：UNet → MMDiT
│ ├── 文本/图像 token 联合
│ └── 不同模态投影
├── 训练：DDPM → Rectified Flow
│ ├── x_t=(1-t)x0+tε
│ └── v=ε-x0
├── 文本：CLIP + T5
└── VAE：4ch → 16ch
8. 15 分钟模拟面试脚本¶
| 时间 | 内容 | 目标 |
|---|---|---|
| 0–2 | 自我介绍 | 建立上下文 |
| 2–5 | A10 | SDXL |
| 5–8 | A11 | SD3 |
| 8–12 | A7/D6 | 路线对比 |
| 12–15 | 追问 + 反馈 | 深度/表达 |
9. 练习方法¶
- 看答案，标关键词；
- 遮住答案，90 秒复述；
- 录音，回听卡壳；
- 找人追问“为什么”。
背“结构 + 3 个关键词 + 1 个公式”，不要背全文。