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

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[[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))

Источник

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)

Источник

Параметры:

hidden_states (torch.Tensor формы (batch_size, in_channels, height, width)) : Нормализованные VAE-латенты изображения, которое генерируется.

timestep (torch.Tensor формы (batch_size,)) : Уровень шума в диапазоне [0, 1]: 1 — чистый шум, 0 — чистое изображение.

encoder_hidden_states (torch.Tensor формы (batch_size, 1 + len(injection_layer_ids), text_len, cap_feat_dim)) : Функции текстового кодировщика: сначала пакет Perceiver, затем по одному пакету на каждый блок инъекции.

encoder_attention_mask (torch.Tensor формы (batch_size, text_len), необязательный) : Булева маска реальных токенов текста для батча промптов, дополненных до одинаковой длины. Оставьте None, если дополнения не требуется.

context_latents (list[torch.Tensor], optional) : Нормализованные латенты VAE изображений для редактирования, по одному тензору формы (batch_size, in_channels, height, width) на изображение, в порядке следования. Каждое изображение может иметь свой размер. Их токены используются как чистые токены для обусловливания генерации и не предсказываются.

return_dict (bool, по умолчанию True) : 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.