x_p^NE] + E_{pos} $$DiT的去噪过程： 在扩散步 $t$，噪声预测网络 $\epsilon_\theta$ 参数化为Transformer： $$ \epsilon_\theta(x_t, t, c) = \text{DiT-block}(x_t + c_{temb}, c_{cond}) $$ 其中 $c_{temb}$ 是时间步embedding，$c_{cond}$ 是条