画像生成 AI の「思考の鎖」を解剖：テキストトークンが隠れた意味レジスタとして機能

要約

テキスト画像拡散トランスフォーマー (DiT) の内部計算を解析する因果的解釈性フレームワークが提案された。注意機構の分解と層別介入を組み合わせ、構造テンプレートトークンがプロンプト内容をほぼ保持しないにもかかわらず、生成中に意味情報の主要な保管庫として機能することを発見した。これらのテンプレートトークンはオブジェクト同一性を維持し、画像潜在表現を経由して意味情報を間接的に獲得していた。