diffusers/main/es/api/models/transformer_bria_fibo2.md

BriaFibo2Transformer2DModel

El transformer de flujo único de Fibo 2.0 de Bria, construido sobre el bloque Z-Image. Su condicionamiento de texto proviene de Qwen3-VL de dos maneras: un re-muestreador Perceptor convierte los estados ocultos del codificador de texto en tokens de resumen que comparten el flujo con los tokens de imagen, y cinco bloques añaden una atención cruzada con puerta a su propio conjunto de capas de Qwen3-VL. Para editar, los latentes de las imágenes a editar se unen al flujo como tokens limpios, cada imagen en su propio plano RoPE.

BriaFibo2Transformer2DModel[[diffusers.BriaFibo2Transformer2DModel]]

diffusers.BriaFibo2Transformer2DModel[[diffusers.BriaFibo2Transformer2DModel]]

diffusers.BriaFibo2Transformer2DModel(in_channels: int = 32, patch_size: int = 2, dim: int = 3584, n_layers: int = 44, n_refiner_layers: int = 2, n_heads: int = 28, norm_eps: float = 1e-05, cap_feat_dim: int = 7680, injection_layer_ids: tuple[int, ...] = (6, 14, 22, 30, 38), perceiver_num_layers: int = 2, min_num_gist_tokens: int = 256, max_num_gist_tokens: int = 512, gist_step: int = 64, gist_min_text_len: int = 256, gist_max_text_len: int = 2048, rope_theta: float = 256.0, t_scale: float = 1000.0, axes_dims: tuple[int, ...] = (32, 48, 48), axes_lens: tuple[int, ...] = (2048, 512, 512))

Fuente

forward[[diffusers.BriaFibo2Transformer2DModel.forward]]

forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, encoder_attention_mask: typing.Optional[torch.Tensor] = None, context_latents: list[torch.Tensor] | None = None, return_dict: bool = True)

Fuente

Parámetros:

hidden_states (torch.Tensor de forma (batch_size, in_channels, height, width)) : Latentes normalizados del VAE de la imagen que se está generando.

timestep (torch.Tensor de forma (batch_size,)) : Nivel de ruido en [0, 1]: 1 es ruido puro, 0 es una imagen limpia.

encoder_hidden_states (torch.Tensor de forma (batch_size, 1 + len(injection_layer_ids), text_len, cap_feat_dim)) : Características del codificador de texto: primero el paquete del Perceiver y luego un paquete por bloque de inyección.

encoder_attention_mask (torch.Tensor de forma (batch_size, text_len), opcional) : Máscara booleana de los tokens de texto reales, para un lote de prompts rellenados hasta la misma longitud. Déjalo como None cuando no se haya rellenado nada.

context_latents (list[torch.Tensor], opcional) : Latentes normalizados del VAE de las imágenes a editar, un tensor de forma (batch_size, in_channels, height, width) por imagen, en orden. Cada imagen puede tener su propio tamaño. Sus tokens condicionan la generación como tokens limpios y no se predicen.

return_dict (bool, por defecto True) : Si se debe devolver un Transformer2DModelOutput en lugar de una tupla.

Devuelve: Transformer2DModelOutput o tuple

La velocidad predicha, con la forma de hidden_states. Si return_dict es False, una tupla cuyo primer elemento es ese tensor.