影片狀態：錄影需登入或課程授權。 影片來源與說明
Cross-attention是讀取另一組表示的運算；DiT是擴散模型的骨幹選擇；Q-Former是用可學query抽取或橋接資訊的模組。它們可以組合，但不是三個互斥的產品。這篇只比較角色，Prompt-to-Prompt與classifier-free guidance的操作細節放回第14堂教學。
先讀哪一篇
- Cross-attention與DiT：依該篇的完整例子與答案自我檢查。
- Q-Former橋接：依該篇的完整例子與答案自我檢查。
- 作業4：依該篇的完整例子與答案自我檢查。
總覽的 課程地圖列出完整核心主線；本篇是主題導覽，不是額外課堂。先選你要回答的問題，再去對應的教學篇。
用一個例子看出分界
本站自擬shape例子：影像latent有4個位置、文字有3個token，hidden寬度2。若Q來自影像、K/V來自文字，QKᵀ是4×3，softmax後乘3×2的V，得到4×2輸出。換成Q-Former，以2個learned query讀4個影像特徵，attention圖是2×4，讀取輸出是2×2。兩者都做attention，但輸出位置數由query一側決定。BLIP-2的影像→LLM與作業4的文字→DiT是不同資料流，不可把兩張圖接成同一段。
自我檢查
把文字token數從3改5，第一個例子的輸出位置數會從4改5嗎？
答案與判準
不會。attention圖成4×5，V為5×2，輸出仍4×2。輸出位置由Q的4個位置決定。
怎麼使用這張地圖
先不看答案，用自己的話指出輸入、被改動的部分與輸出，再到上面的教學篇完成變式。如果把兩種機制混在一起，回到資料流，找出哪一步的條件不同。這篇只驗關係與分界；不能用它代替各堂的推導、實作或評估。
本文沿用Spring 2026公開教材；自擬例子不是官方考題或課堂口述。原課程錄影仍須依授權存取。
課程影片來源
Spring 2026 官方課站將錄影導向 SCS Panopto。2026-10-12 匿名讀取回傳資料夾未載入與登入提示，未取得可播放的課堂內容；這是存取限制，不能推論沒有錄影。本文依公開文字教材整理，沒有重建未取得的課堂口述或提供原音逐字稿。
更新紀錄
-
2026-10-11：重整教學範圍、完整例子與理解檢查，保留原網址及發文日期。
-
2026-10-10：標註影片狀態，核對錄影來源與取得方式。
-
2026-10-10：重查影片狀態。確認登入牆屬實（匿名開啟 Panopto 資料夾無影片並提示登入），官方頁面也沒有公開 YouTube 版本，狀態維持不變。
參考資料
- CMU 10-423/623/723 Generative AI（Spring 2026）課程首頁
- 課程講次表 — L14（3 月 9 日）、L15（3 月 11 日）、Quiz 4 範圍
- Lecture 14 投影片：Cross-Attention / Diffusion Transformer / Prompt-to-Prompt（inked 版）
- Lecture 15 投影片：Querying Transformer / Scaling Laws
- HW4 handout（hw4.zip） — 程式題的 GPT-2／DiT／Q-Former 設定
- Ho & Salimans 2022：Classifier-Free Diffusion Guidance
- Peebles & Xie 2022：Scalable Diffusion Models with Transformers（DiT）
- Hertz et al. 2022：Prompt-to-Prompt Image Editing with Cross Attention Control
- Avrahami et al. 2021：Blended Diffusion for Text-driven Editing of Natural Images
- Li et al. 2023：BLIP-2
- Pan et al. 2025：Transfer between Modalities with MetaQueries
- Jaegle et al. 2021：Perceiver IO