edge-dit.cpp

采用判断：建议有条件采用，尤其适合希望把 Diffusion Transformer（DiT）模型部署到本地、嵌入式或资源受限设备的开发者；不适合作为普通用户直接打开即用的生图应用。它不是图形化工作流工具、在线生成 SaaS，也不是训练框架或模型本身；更准确的类比是面向 DiT 的本地推理后端与部署层。

实际作用是以原生 C/C++ 承载 DiT 推理，并围绕显存压力处理精度选择、组件放置和卸载，目标是在有限 VRAM 下运行生成式图像与视频模型。知乎文章把 24GB 显卡运行 FLUX、Qwen-Image、Wan 等模型列为讨论场景，同时提到 q8/q4、文本编码器卸载、DiT 常驻、VAE 分块和计算图预留等调参问题；这些内容能说明它针对的部署难点，但不能单独证明每个模型都已被稳定实测支持。

门槛主要来自 C/C++ 构建与部署、模型格式和硬件适配，以及对显存分配策略的理解。官方定价或 API 费用信息未在证据中出现；它被描述为本地引擎，因此不应按云服务套餐估算。社区讨论中的 24GB 显卡只是示例场景，不是最低配置或稳定性能承诺。保守推断，实际成本更多是已有 GPU、存储、电力和工程调试时间，具体取决于模型、精度、卸载策略和目标设备。

它更适合做本地推理服务、边缘设备集成或需要精细控制 VRAM 的工程团队，不适合只想通过网页或节点界面快速创作、也不想编译和调参的人。证据质量目前偏有限：一篇知乎文章有 0 赞、1 条评论，提供了参数问题背景但没有随附可核验的系统实测；GitHub 主题证据显示 21 stars、5 forks，能证明受到关注，却不能等同于能力或稳定性证明。现有样本没有形成充分的教程、基准或用户共识，因此应把热度与好用程度分开判断。