01 - 任务总览：本项目做什么，不做什么

项目定位

本项目是一个现代扩散模型推理学习与实现项目，位于 diffusion/ 子目录内，与旧 minivLLM/ 引擎完全隔离。

项目目标是从零理解现代扩散模型的推理路径，落地一个最小但完整的 diffusion_engine/，并在一块可用的 CUDA GPU 上跑通至少一个真实 reference inference。文档使用中文，以纯静态 HTML 发布，不做生产部署。

四个维度

维度	目标	状态
理解	通过论文卡片、学习笔记、静态知识库，系统建立对 rectified flow、DiT/MMDiT、文生图/文生视频推理数据流的认识	完成
实现	从零构建最小 `diffusion_engine/`，覆盖 scheduler、rectified flow、DiT transformer block、text conditioning、pipeline、memory manager	完成
运行	可用的 CUDA GPU 上至少跑通一个真实文生图 reference inference；视频小规格尝试并如实记录 blocker	脚手架就绪，环境未跑通
优化	设计并运行 prompt cache、latent buffer、scheduler benchmark、CFG batching、attention memory、VAE tiling 对照实验	完成

为什么不从老 DDPM/U-Net 学起

这里跳过 DDPM/U-Net 的入门路线，直接从 rectified flow 与 DiT/MMDiT 开始。原因很具体：

范围贴近当前模型：本文关注的 2024 年后模型（SD3、FLUX、Sana、CogVideoX、Wan2.1、HunyuanVideo）采用 rectified flow + DiT/MMDiT 范式。DDPM + U-Net 主要对应 2020-2022 年的模型路线，会引入 predicting noise vs predicting velocity、discrete vs continuous timestep、U-Net skip connection 等另一套概念。
概念更统一：rectified flow 在理论上更简洁，一条从噪声到数据的直线路径（或接近直线的路径），配合 ODE solver 完成采样。这比 DDPM 的 denoising score matching + Langevin dynamics 组合更容易建立直觉，也更贴近 LLM 领域的 "single forward pass per step" 风格。
与系统优化直接相关：DiT 的 full attention 在高分辨率下产生 O(N²) 瓶颈，是扩散推理的主要系统问题之一。老 U-Net 的卷积式注意力不会以同样方式暴露这个问题，无法直接对应后续的 attention memory benchmark。
时间效率：6 周时间内，如果先花 2 周学 DDPM/U-Net，那留给现代架构和系统优化的时间只剩 4 周，不够用。直接从现代范式切入，每样学一点就能看到整体画面。

最终成果是什么

6 周内完成的文件和实验如下：

知识库 (docs/)

12 个中文静态 HTML 页面（01-12），覆盖任务总览、引擎审计、推理背景、rectified flow、DiT 架构、SD3/FLUX/Sana 模型、视频架构、视频模型、系统优化、最终成果说明
纯静态，零外部依赖（无 CDN、无 webfont、无 npm），file:// 协议可打开

学习资料 (learning/)

10 篇英文论文/模型卡的中文阅读卡片（papers/01-10）
10 篇中文学习笔记（notes/01-10），覆盖环境审计、复用决策、数据流、scheduler 设计、DiT shape 系统、CFG、prompt cache、latent buffer、视频 latent、参考源码走读

自写引擎 (diffusion_engine/)

core/scheduler.py：Euler + rectified flow sampler，支持 image (B,C,H,W) 和 video (B,C,T,H,W)
core/rectified_flow.py：矢量场构造 + ODE 积分
core/timestep_embedding.py：sinusoidal + linear timestep embedding
core/attention.py：full attention（非 causal），支持 self-attention 和 joint attention
core/transformer_block.py：AdaLN-Zero modulation
core/dit.py：完整 DiT forward（patchify → blocks → unpatchify）
core/text_conditioning.py：toy text encoder + prompt embedding cache 接口
core/pipeline.py：6 步主循环（prompt→encode→init→denoise→CFG→scheduler→decode）
core/memory_manager.py：latent buffer 预分配、ping-pong swap、显存统计
core/vae_stub.py：toy VAE encode/decode（含 tiling 支持）
36 个 pytest 测试（覆盖 scheduler、rectified flow、DiT shapes、pipeline smoke）

实验 (experiments/)

toy_rectified_flow/：toy vector field 仿真 + trajectory 可视化
toy_dit_inference/：最小 DiT denoising loop
reference_image_inference/：3 个真实模型脚手架（Sana/SD3/FLUX）+ memory profiler
reference_video_inference/：3 个视频模型脚手架（CogVideoX/Wan/LTX）+ blocker 记录
diffusion_inference_optimization/：6 个系统优化对照实验

报告 (reports/)

engine_inventory.md：旧引擎 14 模块逐一审计（515 行）
week_1.md ~ week_6.md：6 周进度周报
final_report.md：最终报告，回答 5 个问题

结论

这是一个现代扩散模型推理学习项目，入口是 rectified flow + DiT/MMDiT。6 周内完成了 13 页 HTML、10 篇笔记、10 篇论文卡片、一个最小可运行的 diffusion_engine/、5 组实验目录、6 份周报和一份最终报告。远程 GPU 环境尚未就绪，因此真实 reference inference 还没有运行；所需脚本已经写好。

和我的 diffusion_engine 的关系

本页只做索引，不讲实现。scheduler、DiT shape 和 CFG 分别在 02-11 页展开；项目范围和已有产出列在本页，具体实现见对应章节。