Diffusers documentation
BriaFibo2Transformer2DModel
BriaFibo2Transformer2DModel
Le transformer à flux unique de Bria pour Fibo 2.0, construit sur le bloc Z-Image. Son conditionnement textuel provient de Qwen3-VL de deux manières : un Perceiver resampler transforme les états cachés de l’encodeur de texte en jetons de résumé qui partagent le flux avec les jetons d’image, et cinq blocs ajoutent une attention croisée à porte à leur propre ensemble de couches Qwen3-VL. Pour l’édition, les latents des images à modifier rejoignent le flux en tant que jetons propres, chaque image sur son propre plan RoPE.
BriaFibo2Transformer2DModel
classe diffusers.BriaFibo2Transformer2DModel
< source >( in_channels: int = 32patch_size: int = 2dim: int = 3584n_layers: int = 44n_refiner_layers: int = 2n_heads: int = 28norm_eps: float = 1e-05cap_feat_dim: int = 7680injection_layer_ids: tuple = (6, 14, 22, 30, 38)perceiver_num_layers: int = 2min_num_gist_tokens: int = 256max_num_gist_tokens: int = 512gist_step: int = 64gist_min_text_len: int = 256gist_max_text_len: int = 2048rope_theta: float = 256.0t_scale: float = 1000.0axes_dims: tuple = (32, 48, 48)axes_lens: tuple = (2048, 512, 512) )
forward
< source >( hidden_states: Tensortimestep: Tensorencoder_hidden_states: Tensorencoder_attention_mask: typing.Optional[torch.Tensor] = Nonecontext_latents: list[torch.Tensor] | None = Nonereturn_dict: bool = True ) → Transformer2DModelOutput or tuple
Paramètres
- hidden_states (
torch.Tensorde forme(batch_size, in_channels, height, width)) — Latents VAE normalisés de l'image en cours de génération. - timestep (
torch.Tensorde forme(batch_size,)) — Niveau de bruit dans[0, 1]: 1 correspond à du bruit pur, 0 à une image propre. - encoder_hidden_states (
torch.Tensorde forme(batch_size, 1 + len(injection_layer_ids), text_len, cap_feat_dim)) — Fonctions de l’encodeur de texte : le bundle du Perceiver en premier, puis un bundle par bloc d’injection. - encoder_attention_mask (
torch.Tensorde forme(batch_size, text_len), facultatif) — Masque booléen des jetons de texte réels, pour un lot de prompts rembourrés à la même longueur. Laissez-le àNonelorsque rien n’est rembourré. - context_latents (
list[torch.Tensor], facultatif) — Latents VAE normalisés des images à éditer, un tenseur de forme(batch_size, in_channels, height, width)par image, dans l’ordre. Chaque image peut avoir sa propre taille. Leurs jetons conditionnent la génération en tant que jetons propres et ne sont pas prédits. - return_dict (
bool, par défautTrue) — Indique s'il faut retourner un Transformer2DModelOutput plutôt qu'un tuple.
Retourne
Transformer2DModelOutput ou tuple
La vitesse prédite, avec la forme de
hidden_states. Si return_dict est False, un tuple dont le premier élément est ce tenseur.