一句话总结： ViBT 将 Brownian Bridge 扩展至 20B 参数的 Transformer，彻底抛弃 noise-to-vision 范式，以 vision-to-vision 的数据到数据直接映射方式完成图像/视频翻译，推理速度比条件扩散快 2~4×，却只需极少量训练数据。
💡 核心亮点
- 🚀 首个大规模 Bridge Transformer：20B（图像）+ 1.3B（视频）参数
- 🔕 完全无噪声推理：vision-to-vision，不经过 Gaussian 噪声
- ⚡ 图像快 2.28×，视频快 4.03×：省去 Condition Encoder 和额外 token
- 🧮 方差稳定速度匹配：解决大规模训练中的梯度爆炸问题
- 📦 极少数据：图像编辑仅用 ~6K 对，视频仅用 ~10K 段
🌱 背景与动机
现有范式的问题：为什么要绕过噪声？
传统条件扩散模型（ControlNet、IP-Adapter、Wan 视频模型等）遵循 noise-to-vision 范式：
噪声 z ~ N(0, I) → [迭代去噪 + 条件注入] → 目标图像/视频
这对于条件生成任务存在三个根本矛盾：
- 信息浪费：源图像信息在加噪时被完全破坏，再通过 cross-attention 重新注入——信息绕了一大圈
- 路径不自然：图像编辑、风格迁移、着色等任务中，输入输出本身高度相似，没必要过一个完全不同的噪声态
- Token 开销大：在 DiT 架构下，额外的 Condition Encoder 和条件 token 带来巨大计算开销，在视频任务中尤为突出
ViBT 的核心主张
"如果源和目标本来就相似，为什么不直接学习连接它们的路径？"
这正是 Bridge Models 的核心——构建直接连接源分布与目标分布的随机过程，无需绕道噪声。