There are the overall of paper with code for CV / AIGC / LLM / VLM.
https://github.com/Gojay001/paper-with-code-skills.
[Updating…]
SD 3 — Scaling Rectified Flow Transformers
SD 1.x/2.x 像沿着弯弯曲曲的河道把噪声「擦」成图——DDPM/VP 调度路径长，少步采样容易糊。Rectified Flow（整流流）则走直线：$z_t=(1-t)x_0+t\epsilon$，数据与噪声之间一根绳，理论上一步就能走完（实际仍需多步积分，但比弯曲扩散更省步）。本文（SD3）的第一招是：在大规模文生图里证明「直线流 + 聪明的时间步采样」能打赢传统 LDM-linear / EDM 扩散配方。
FM — Flow Matching for Generative Modeling
想象生成一张图片，就像把一片噪声云慢慢「流」成一座数据岛：起点是随机混沌，终点是清晰图像。扩散模型（DDPM）走的是一条绕远路的弯曲河道——粒子必须沿预设的 VP 噪声调度蜿蜒前行，采样步数多、路径长；而最优传输（OT）则像直线航道，两点之间最短。
SD - Stable Diffusion
以前的扩散模型（如 DDPM）直接在「像素世界」里反复擦噪点画图——一张 512×512 的图有 78 万个像素，每一步去噪都要在这么大的画布上算一遍，训练动辄几百张 GPU 卡跑上几周。本文（潜在扩散 LDM，也就是后来的 Stable Diffusion）的核心招数是：先把图压缩到一个小很多的「缩略草稿世界」里再画。
DDPM — Denoising Diffusion Probabilistic Models
想象一个「倒放」游戏：先把一张清晰照片一帧帧泼上雪花噪点，直到变成满屏的电视雪花；DDPM 要训练 AI 学会把这个过程倒着放——从纯雪花开始，一步步擦掉噪点，最后还原出一张全新的、以前没见过的照片。
源码实现-Normalization
本文整理 BatchNorm / LayerNorm / RMSNorm 的作用与差异，并给出与 PyTorch 思路一致的简化实现（dummy），便于对照官方源码阅读。