Diffusers documentation
BriaFibo2Transformer2DModel
BriaFibo2Transformer2DModel
Однопоточный трансформер Bria Fibo 2.0, построенный на блоке Z-Image. Текстовое условие (text conditioning) поступает от Qwen3-VL двумя способами: Perceiver resampler преобразует скрытые состояния текстового энкодера в gist-токены, которые разделяют поток с изображенческими токенами, а пять блоков добавляют в свой набор слоев Qwen3-VL шлюзовое кросс-внимание (gated cross-attention). Для редактирования латенты изображений, подлежащих правке, добавляются в поток как чистые токены, при этом каждое изображение размещается на собственной плоскости RoPE.
BriaFibo2Transformer2DModel
класс 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
Параметры
- hidden_states (
torch.Tensorформы(batch_size, in_channels, height, width)) — Нормализованные латенты VAE изображения, которое генерируется. - timestep (
torch.Tensorформы(batch_size,)) — Уровень шума в диапазоне[0, 1]: 1 — чистый шум, 0 — чистое изображение. - encoder_hidden_states (
torch.Tensorформы(batch_size, 1 + len(injection_layer_ids), text_len, cap_feat_dim)) — Особенности текстового энкодера: сначала пакет Perceiver, затем по одному пакету на каждый блок инъекции. - encoder_attention_mask (
torch.Tensorформы(batch_size, text_len), необязательный) — Маска типа Bool для реальных токенов текста в батче промптов, дополненных до одинаковой длины. ОставьтеNone, если дополнения не требуется. - context_latents (
list[torch.Tensor], необязательный) — Нормализованные латенты VAE изображений для редактирования, по одному тензору формы(batch_size, in_channels, height, width)на каждое изображение, в заданном порядке. Каждое изображение может иметь свой размер. Их токены используются как чистые токены для обусловливания генерации и не предсказываются. - return_dict (
bool, по умолчаниюTrue) — Определяет, следует ли возвращать Transformer2DModelOutput вместо кортежа.
Возвращает
Transformer2DModelOutput или tuple
Предсказанная скорость, имеющая форму
hidden_states. Если return_dict равно False, возвращается кортеж, первым элементом которого является этот тензор.