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

BriaFibo2Transformer2DModel

O transformer de fluxo único do Fibo 2.0 da Bria, construído sobre o bloco Z-Image. Sua condicionamento de texto vem do Qwen3-VL de duas formas: um Perceiver resampler converte os estados ocultos do codificador de texto em tokens de resumo que compartilham o fluxo com os tokens de imagem, e cinco blocos adicionam uma atenção cruzada com gate ao seu próprio conjunto de camadas do Qwen3-VL. Para editar, os latentes das imagens a serem editadas entram no fluxo como tokens limpos, cada imagem em seu próprio 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))

Fonte

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)

Fonte

Parâmetros:

hidden_states (torch.Tensor de forma (batch_size, in_channels, height, width)) : Latentes normalizados do VAE da imagem sendo gerada.

timestep (torch.Tensor de forma (batch_size,)) : Nível de ruído em [0, 1]: 1 é ruído puro, 0 é uma imagem limpa.

encoder_hidden_states (torch.Tensor de forma (batch_size, 1 + len(injection_layer_ids), text_len, cap_feat_dim)) : Recursos do codificador de texto: primeiro o pacote do Perceiver, seguido de um pacote por bloco de injeção.

encoder_attention_mask (torch.Tensor de forma (batch_size, text_len), opcional) : Máscara booleana dos tokens de texto reais, para um lote de prompts preenchidos até o mesmo comprimento. Deixe como None quando nada for preenchido.

context_latents (list[torch.Tensor], opcional) : Latentes normalizados do VAE das imagens a serem editadas, um tensor de forma (batch_size, in_channels, height, width) por imagem, em ordem. Cada imagem pode ter seu próprio tamanho. Seus tokens condicionam a geração como tokens limpos e não são previstos.

return_dict (bool, padrão True) : Se deve retornar um Transformer2DModelOutput em vez de uma tupla.

Retorna: Transformer2DModelOutput ou tuple

A velocidade prevista, com a forma de hidden_states. Se return_dict for False, uma tupla cujo primeiro elemento é esse tensor.