無 VAE 的文本到影像模型：Pyramid‑JiT 方法

Pyramid‑JiT 是一種無 VAE 的畫素空間文本到影像模型，透過多解析度預測顯著縮減訓練樣本與 GPU 時間。

• 訓練樣本：比 Linum v2 少 11.3 倍，僅 138M。