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

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[[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))

Source

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)

Source

Paramètres :

hidden_states (torch.Tensor de forme (batch_size, in_channels, height, width)) : Latents VAE normalisés de l'image en cours de génération.

timestep (torch.Tensor de forme (batch_size,)) : Niveau de bruit dans [0, 1] : 1 correspond à du bruit pur, 0 à une image propre.

encoder_hidden_states (torch.Tensor de forme (batch_size, 1 + len(injection_layer_ids), text_len, cap_feat_dim)) : Caractéristiques du codeur de texte : le faisceau du Perceiver en premier, puis un faisceau par bloc d'injection.

encoder_attention_mask (torch.Tensor de forme (batch_size, text_len), facultatif) : Masque booléen des jetons de texte réels, pour un lot d'invités rembourrés à la même longueur. Laissez-le à None si 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 défaut True) : 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.