# SANA-WM

SANA-WM هو نموذج عالم لتحويل الصور إلى فيديو يتحكم فيه الكاميرا، مبني على أساس SANA. عند تقديم صورة للإطار الأول، وموجّه نصي، ومسار كاميرا (إما أوضاع `c2w` صريحة أو سلسلة إجراءات WASD/IJKL)، يولّد النموذج فيديو يتبع حركته المسار المطلوب للكاميرا.

تعمل الاستدلال في مرحلتين:

1. **المرحلة 1 — SANA-WM DiT.** نموذج DiT ثنائي الاتجاه يحتوي على 1.6 مليار معامل، ويعتمد على انتباه خطي GDN-Triton وفرع تحكم في الكاميرا UCPE. يستخدم العينة جدولة أويلر مطابقة للتدفق بنمط LTX مع خطوات زمنية لكل رمز؛ حيث تكون الإطار الكامن الأول هو نقطة الارتكاز للشروط.
2. **المرحلة 2 — مُحسّن LTX-2 (اختياري).** خط أنابيب مُحسّن أويلر ثنائي الاتجاه منفصل ([SanaWMLTX2Refiner](/docs/diffusers/main/ar/api/pipelines/sana_wm#diffusers.SanaWMLTX2Refiner)) يغلّف [SanaWMLTX2RefinerTransformer3DModel](/docs/diffusers/main/ar/api/models/sana_wm_refiner_transformer3d#diffusers.SanaWMLTX2RefinerTransformer3DModel) + `LTX2TextConnectors` ومُشفّر نصوص Gemma-3، ويُنفَّذ لثلاث خطوات سيجما مُقطّرة.

تقوم كلتا المرحلتين بفك الترميز عبر [AutoencoderKLLTX2Video](/docs/diffusers/main/ar/api/models/autoencoderkl_ltx_2#diffusers.AutoencoderKLLTX2Video) VAE.

النماذج المتاحة:

| النموذج | نوع البيانات الموصى به |
|:-----:|:-----------------:|
| [`Efficient-Large-Model/SANA-WM_bidirectional-diffusers`](https://huggingface.co/Efficient-Large-Model/SANA-WM_bidirectional-diffusers) | `torch.bfloat16` |
| [`Efficient-Large-Model/SANA-WM_bidirectional-diffusers-refiner`](https://huggingface.co/Efficient-Large-Model/SANA-WM_bidirectional-diffusers-refiner) | `torch.bfloat16` |

> [!TIP]
> يتم تدريب SANA-WM بدقة ثابتة تبلغ 704×1280. النوع الموصى به لأوزان المحول هو `torch.bfloat16` — حافظ على مشفر النص في `torch.bfloat16` وVAE في `torch.float32` للحصول على أفضل دقة رقمية. يتوقع خط الأنابيب معاملات الكاميرا الداخلية `[fx, fy, cx, cy]` بإحداثيات بكسل *الصورة الأصلية*؛ حيث يتم تطبيق تحويل إعادة الحجم والقص المركزي داخليًا.

## الاستدلال

```python
import torch
from PIL import Image

from diffusers import SanaWMPipeline
from diffusers.utils import export_to_video

pipe = SanaWMPipeline.from_pretrained(
    "Efficient-Large-Model/SANA-WM_bidirectional-diffusers",
    torch_dtype=torch.bfloat16,
)
pipe.enable_model_cpu_offload()  # ~45 GB of weights — offload between stages

# SANA-WM was trained on the LTX-2 VAE in framewise mode with tiling enabled. Without these
# settings the VAE encodes the whole (B, C, T, H, W) clip in one shot, which gives subtly
# different numerics from the released checkpoint.
pipe.vae.enable_tiling()
pipe.vae.use_framewise_encoding = True
pipe.vae.use_framewise_decoding = True
pipe.vae.tile_sample_stride_num_frames = 64
pipe.vae.tile_sample_min_num_frames = 96

prompt = "A car driving across a vast desert plain at golden hour."
output = pipe(
    image=Image.open("input.png").convert("RGB"),
    prompt=prompt,
    action="w-80,jw-40,w-40",        # WASD-style action DSL: forward 80f, jump+forward 40f, forward 40f
    intrinsics=[800.0, 800.0, 845.0, 464.0],  # fx, fy, cx, cy in original-image pixels
    num_frames=161,
    num_inference_steps=60,
    guidance_scale=5.0,
    generator=torch.Generator(device="cuda").manual_seed(42),
    output_type="latent",            # hand the latents to the refiner below
)
```

مرّر `action=None` وفّر وضعيات `c2w` الخاصة بك (`(F, 4, 4)` مصفوفة numpy) للتحكم صراحةً في مسار الكاميرا. احذف `output_type="latent"` للحصول على الفيديو مباشرةً من المرحلة 1 وتخطي المُحسّن.

### المرحلة 2 — مُحسّن LTX-2

يُصدر [SanaWMLTX2Refiner](/docs/diffusers/main/ar/api/pipelines/sana_wm#diffusers.SanaWMLTX2Refiner) كمستودع مستقل، على غرار تقسيم SDXL بين النموذج الأساسي والمُحسّن. مرّر VAE الخاص بالخط الأساسي حتى تُشارك الأوزان بدلاً من تحميلها مرتين:

```python
from diffusers import SanaWMLTX2Refiner

refiner = SanaWMLTX2Refiner.from_pretrained(
    "Efficient-Large-Model/SANA-WM_bidirectional-diffusers-refiner",
    vae=pipe.vae,
    torch_dtype=torch.bfloat16,
)
refiner.enable_model_cpu_offload()

frames = refiner(output.latent, prompt, fps=16)
export_to_video(list(frames), "sana_wm.mp4", fps=16)
```

بدون `vae`، يعيد المُحسِّن كامنات مُحسَّنة بدلاً من الفيديو، وهو أمر مفيد إذا كنت ترغب في فك الترميز بنفسك.

> [!TIP]
> فعّل التحميل الجزئي على خطّتي **المعالجة** معًا، أو حرّر المرحلة 1 قبل المرحلة 2 (`pipe.transformer.to("cpu")`). يبلغ حجم المرحلتين معًا حوالي 45 جيجابايت في `torch.bfloat16`، وإبقاؤهما مقيمتين على بطاقة واحدة بسعة 80 جيجابايت لا يترك مساحة كافية للتفعيلات. لاحظ أيضًا أن المرحلة 2 تحترم `torch_dtype`: فحمّل المُحسّن في `torch.float32` يضاعف ذاكرته تقريبًا ويغيّر المخرجات قليلاً.

إذا لم تكن لديك معاملات الكاميرا الداخلية، يمكن لـ [الكتلة المعيارية المستضافة](../../modular_diffusers/overview) تقديرها من إطار واحد. وهي موجودة خارج `diffusers` لأنها تستدعي Pi3X — وهو اعتماد إضافي ونقطة تحقق ثانية — لذا لن يتم تنزيل أي شيء حتى تطلب ذلك:

```python
from diffusers import ModularPipeline

# One-time per image. Requires `pip install pi3-vision`.
estimator = ModularPipeline.from_pretrained(
    "Efficient-Large-Model/pi3x-intrinsics-estimator", trust_remote_code=True
)
estimator.load_components(dtype=torch.bfloat16)
intrinsics = estimator(image=Image.open("input.png").convert("RGB"), output="intrinsics")
```

## تحويل نقطة التفتيش المُصدَّرة

إذا كان لديك إصدار SANA-WM الأصلي (وليس لقطة diffusers المحوّلة مسبقًا)، فنفّذ سكربت التحويل مرة واحدة:

```bash
python scripts/convert_sana_wm_to_diffusers.py \
    --src Efficient-Large-Model/SANA-WM_bidirectional \
    --dst ./SANA-WM_bidirectional-diffusers
```

يكتب هذا الأمر مجلدين: خط الأنابيب الأساسي في `--dst`، ومُحسِّن المرحلة الثانية بجانبه في `./SANA-WM_bidirectional-diffusers-refiner` (يمكن تجاوز ذلك باستخدام `--dst-refiner`). ثم حمّل كلًا منهما من مساره المحلي كما هو معتاد.

## المكوّنات

- `tokenizer` — `GemmaTokenizerFast`
- `text_encoder` — Gemma-2 (يعيد حالات المخفية للوحّاد)
- `vae` — [AutoencoderKLLTX2Video](/docs/diffusers/main/ar/api/models/autoencoderkl_ltx_2#diffusers.AutoencoderKLLTX2Video) (LTX-2، مكاني ×32 / زمني ×8)
- `transformer` — [SanaWMTransformer3DModel](/docs/diffusers/main/ar/api/models/sana_wm_transformer3d#diffusers.SanaWMTransformer3DModel)، نموذج DiT ثنائي الاتجاه يحتوي على 1.6 مليار معامل
- `scheduler` — [FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/ar/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)

المُحسِّن في المرحلة الثانية هو مستودع مستقل يحتوي على `transformer` خاص به ([SanaWMLTX2RefinerTransformer3DModel](/docs/diffusers/main/ar/api/models/sana_wm_refiner_transformer3d#diffusers.SanaWMLTX2RefinerTransformer3DModel))، و`connectors` (`LTX2TextConnectors`)، و`tokenizer`، و`text_encoder` الخاص بنموذج Gemma-3، و`scheduler`. لا يحتوي على `vae` خاص به — قم بتمرير الخاص بخط الأنابيب الأساسي.

## SanaWMPipeline[[diffusers.SanaWMPipeline]]

#### diffusers.SanaWMPipeline[[diffusers.SanaWMPipeline]]

```python
diffusers.SanaWMPipeline(tokenizer: GemmaTokenizer | GemmaTokenizerFast, text_encoder: Gemma2PreTrainedModel, vae: AutoencoderKLLTX2Video, transformer: SanaWMTransformer3DModel, scheduler: FlowMatchEulerDiscreteScheduler)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/sana_wm/pipeline_sana_wm.py#L143)

**المعاملات:**

tokenizer ([*GemmaTokenizer*] أو [*GemmaTokenizerFast*]) : مُجزِّئ Gemma-2.

text_encoder ([*Gemma2PreTrainedModel*]) : مُشفِّر النصوص الخاص بنموذج Gemma-2.

vae ([*AutoencoderKLLTX2Video*]) : نموذج VAE الخاص بـ LTX-2.

transformer ([*SanaWMTransformer3DModel*]) : نموذج DiT ثنائي الاتجاه SANA-WM بحجم 1600M.

scheduler ([*FlowMatchEulerDiscreteScheduler*]) : مجدول أويلر لمطابقة التدفق (خطوات زمنية لكل رمز على غرار LTX). الكامنات مباشرة.

خط أنابيب تحويل الصورة إلى فيديو معتمد على الكاميرا في SANA-WM.

يولّد مقطع فيديو من صورة الإطار الأول، وموجّه نصي، ومسار كاميرا (إحداثيات `c2w` صريحة أو سلسلة إجراءات WASD/IJKL). يستخدم نموذج SANA DiT ثنائي الاتجاه بحجم 1600M للعينات في المرحلة الأولى، ومُحسّن Euler ثنائي الاتجاه الخاص بـ LTX-2 للتحسين في المرحلة الثانية؛ وكلاهما يُفكّك عبر VAE الخاص بـ LTX-2.

#### __call__[[diffusers.SanaWMPipeline.__call__]]

```python
__call__(image: PIL.Image.Image | str | Path, prompt: str, c2w: np.ndarray | None = None, action: str | None = None, intrinsics: np.ndarray | list[float] | None = None, height: int = 704, width: int = 1280, num_frames: int = 161, fps: int = 16, num_inference_steps: int = 60, guidance_scale: float = 5.0, negative_prompt: str = '', generator: torch.Generator | list[torch.Generator] | None = None, prompt_embeds: torch.Tensor | None = None, prompt_attention_mask: torch.Tensor | None = None, negative_prompt_embeds: torch.Tensor | None = None, negative_prompt_attention_mask: torch.Tensor | None = None, max_sequence_length: int = 300, chi_prompt: list[str] | None = None, output_type: Literal['np', 'pil', 'pt', 'latent'] = 'np', callback_on_step_end: Callable[[DiffusionPipeline, int, int, dict], dict] | None = None, callback_on_step_end_tensor_inputs: list[str] = ['latents'], return_dict: bool = True)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/sana_wm/pipeline_sana_wm.py#L457)

**المعاملات:**

image (*PIL.Image.Image* أو *str*) : صورة الإطار الأول (PIL أو مسار).

prompt (*str*) : نصّ الأمر.

c2w (*np.ndarray*، *اختياري*) : أوضاع الكاميرا إلى العالم `(F, 4, 4)`. متنافي مع *action*.

action (*str*، *اختياري*) : سلسلة نصية Action-DSL مثل `"w-80,jw-40,w-40"`. متعارضة مع *c2w*.

intrinsics (*np.ndarray* أو *list[float]*) : `[fx, fy, cx, cy]` بإحداثيات بكسل **الصورة الأصلية**. يطبّق خط الأنابيب تحويل إعادة الحجم والقص داخليًا.

height (*int*، القيمة الافتراضية 704) : ارتفاع الإطار الناتج (ثابت في النموذج العام).

width (*int*، القيمة الافتراضية 1280) : عرض الإطار الناتج (ثابت للنموذج العام).

num_frames (*int*، القيمة الافتراضية 161) : عدد الإطارات المستهدف؛ يُقرب إلى `8k+1` (قيود LTX-2 VAE).

fps (*int*، القيمة الافتراضية 16) : معدل الإخراج لكل إطار (يُمرَّر أيضًا إلى المُحسِّن).

num_inference_steps (*int*، القيمة الافتراضية 60) : عدد خطوات أخذ العينات في المرحلة الأولى من DiT.

guidance_scale (*float*، القيمة الافتراضية 5.0) : مقياس التوجيه الحر من التصنيف.

negative_prompt (*str*، القيمة الافتراضية "") : موجه سلبي اختياري.

generator (*torch.Generator* أو *list[torch.Generator]*، *اختياري*) : مولّد أو أكثر من مولّدات torch لجعل أخذ عينات الضوضاء حتميًا. إذا كان *None*، فإن أخذ العينات غير حتمي.

prompt_embeds (*torch.Tensor*، *اختياري*) : تمثيلات نصية محسوبة مسبقًا، لتخطي مُشفِّر النص. يجب تمريرها معًا مع *prompt_attention_mask*.

prompt_attention_mask (*torch.Tensor*، *اختياري*) : قناع الانتباه لـ *prompt_embeds*.

negative_prompt_embeds (*torch.Tensor*، *اختياري*) : تمثيلات نصية سالبة محسوبة مسبقًا. يجب تمريرها معًا مع *negative_prompt_attention_mask*.

negative_prompt_attention_mask (*torch.Tensor*، *اختياري*) : قناع الانتباه (Attention mask) الخاص بـ *negative_prompt_embeds*.

max_sequence_length (*int*، القيمة الافتراضية 300) : الحد الأقصى لرموز الاستدعاء.

chi_prompt (*list[str]*، *اختياري*) : تجاوز بادئة chi-prompt (الافتراضي يعكس الإصدار العام).

output_type (*"np"* أو *"pil"* أو *"pt"* أو *"latent"*، الافتراضي هو *"np"*) : صيغة الإخراج.

callback_on_step_end (*Callable*، *اختياري*) : يُستدعى في نهاية كل خطوة إزالة ضوضاء على شكل *callback_on_step_end(self, step, timestep, callback_kwargs)*، حيث يحتوي *callback_kwargs* على الموترات (tensors) المذكورة في *callback_on_step_end_tensor_inputs*. تستبدل الموترات الموجودة في القاموس المُعاد تلك الموجودة في خط الأنابيب (pipeline).

callback_on_step_end_tensor_inputs (*list[str]*، القيمة الافتراضية *["latents"]*) : الموترات التي يجب تمريرها إلى *callback_on_step_end*؛ يجب أن تكون مجموعة فرعية من *._callback_tensor_inputs*.

return_dict (*bool*، القيمة الافتراضية True) : إرجاع [*SanaWMPipelineOutput*] بدلاً من tuple.

**يعيد:**

[*SanaWMPipelineOutput*] مع *.frames* من الشكل `(T, H, W, 3)`، مصفوفة `np.ndarray` من نوع float في `[0, 1]` عند *output_type="np"*، أو قائمة من `PIL.Image.Image` بطول `T` عند *"pil"*، أو tensor من الشكل `(T, 3, H, W)` عند *"pt"*، أو tensor الكامن الخام عند *"latent"*.

أنشئ فيديوًا مُتحكَّمًا فيه بالكاميرا باستخدام SANA-WM.

أمثلة:
```py
>>> import torch
>>> from PIL import Image
>>> from diffusers import SanaWMPipeline

>>> pipe = SanaWMPipeline.from_pretrained(
...     "Efficient-Large-Model/SANA-WM_bidirectional-diffusers", torch_dtype=torch.bfloat16
... ).to("cuda")

>>> output = pipe(
...     image=Image.open("input.png").convert("RGB"),
...     prompt="A car driving across a vast desert plain at golden hour.",
...     action="w-80,jw-40,w-40",
...     intrinsics=[800.0, 800.0, 845.0, 464.0],  # fx, fy, cx, cy in original-image pixels
...     num_inference_steps=60,
... )
>>> # output.frames is (T, H, W, 3) float np.ndarray in [0, 1] (diffusers convention).
```

#### check_inputs[[diffusers.SanaWMPipeline.check_inputs]]

```python
check_inputs(c2w: np.ndarray | None, action: str | None, intrinsics: np.ndarray | list[float] | None, callback_on_step_end_tensor_inputs: list[str] | None = None)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/sana_wm/pipeline_sana_wm.py#L335)

تحقق من مدخلات `__call__`. يرمي استثناءً عند وجود مدخل غير صالح ولا يعيد شيئًا.

#### encode_prompt[[diffusers.SanaWMPipeline.encode_prompt]]

```python
encode_prompt(prompt: str, negative_prompt: str = '', device: torch.device | None = None, max_sequence_length: int = 300, chi_prompt: list[str] | None = None, prompt_embeds: torch.Tensor | None = None, prompt_attention_mask: torch.Tensor | None = None, negative_prompt_embeds: torch.Tensor | None = None, negative_prompt_attention_mask: torch.Tensor | None = None)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/sana_wm/pipeline_sana_wm.py#L204)

**يعيد:**

`(cond, cond_mask, neg, neg_mask)` حيث `cond` و`neg` هي حالات Gemma المخفية ذات الشكل `(1, 1, L, D)` والأقنعة ذات الشكل `(1, L)`.

ترميز الموجه والموجه السلبي عبر Gemma-2.

يعكس حيلة بادئة موجهات SANA: يُضاف موجه تشي إلى بداية موجه المستخدم، ثم يأخذ مقطع `select_index = [0, -L+1, ..., -1]` رمز BOS بالإضافة إلى آخر `max_sequence_length - 1` رموز.

#### prepare_camera_trajectory[[diffusers.SanaWMPipeline.prepare_camera_trajectory]]

```python
prepare_camera_trajectory(c2w: np.ndarray | None, action: str | None, intrinsics: np.ndarray | list[float], num_frames: int)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/sana_wm/pipeline_sana_wm.py#L365)

قَيِّم مدخلات الكاميرا إلى `(c2w_(F, 4, 4), intrinsics_(F, 4))`.

كما يُقرّب `num_frames` إلى أقرب قيمة من صيغة `8k+1` الملائمة لنموذج VAE، ويقصّ المصفوفتين معاً لتتطابق. أما الصورة المقصوصة والمعاملات الداخلية المعاد تحجيمها فتأتي لاحقاً، بعد معرفة الدقة المستهدفة.

#### prepare_latents[[diffusers.SanaWMPipeline.prepare_latents]]

```python
prepare_latents(first_latent: torch.Tensor, num_frames: int, height: int, width: int, dtype: torch.dtype, device: torch.device, generator: torch.Generator)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/sana_wm/pipeline_sana_wm.py#L403)

استخرج كوابئ أولية عشوائية وثبّت الإطار الأول كنقطة مرجعية للتكييف.

يعيد `(latents, condition_mask)` حيث يحتوي `condition_mask` على قيم 1 عند رموز الإطار الأول (تُحافظ على نظافتها طوال عملية العينة) وقيم 0 في بقية المواضع.

## SanaWMLTX2Refiner[[diffusers.SanaWMLTX2Refiner]]

يعمل مُحسّن المرحلة الثانية من LTX-2 كخط أنابيب [DiffusionPipeline](/docs/diffusers/main/ar/api/pipelines/overview#diffusers.DiffusionPipeline) مستقل يستقبل كامنات المرحلة الأولى. قدّم له `vae` (الخاص بخط الأنابيب الأساسي، بحيث تُشارك الأوزان) ليُفكّك الترميز إلى فيديو؛ وبدونه، يعيد كامنات مُحسّنة.

#### diffusers.SanaWMLTX2Refiner[[diffusers.SanaWMLTX2Refiner]]

```python
diffusers.SanaWMLTX2Refiner(transformer: SanaWMLTX2RefinerTransformer3DModel, connectors: LTX2TextConnectors, tokenizer: GemmaTokenizer | GemmaTokenizerFast, text_encoder: Gemma3ForConditionalGeneration, scheduler: FlowMatchEulerDiscreteScheduler, vae: AutoencoderKLLTX2Video | None = None, text_max_sequence_length: int = 1024)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/sana_wm/refiner.py#L47)

**المعاملات:**

transformer ([*SanaWMLTX2RefinerTransformer3DModel*]) : نموذج DiT الخاص بمقاطع الفيديو LTX-2 مع ذاكرة KV النافذة المنزلقة السببية المقسّمة.

connectors ([*LTX2TextConnectors*]) : وصلات النص الخاصة بـ LTX-2.

tokenizer : مُجزِّئ Gemma-3.

text_encoder : مُشفِّر النص الخاص بـ Gemma-3.

scheduler ([*FlowMatchEulerDiscreteScheduler*]) : مجدول أويلر لمطابقة التدفق. يُنشأ مع `shift=1.0` بحيث تمر قيم سيجما المُقطّرة دون تعديل.

vae ([*AutoencoderKLLTX2Video*], *اختياري*) : نفس نموذج VAE المستخدم في [*SanaWMPipeline*]. مرّر *vae=pipe.vae* لمشاركة الأوزان. عند تقديمه، يقوم المُحسّن بفك الترميز إلى فيديو، وإلا فإنه يعيد الكامنات المُحسّنة.

text_max_sequence_length (*int*، القيمة الافتراضية 1024) : الحد الأقصى لعدد الرموز المُمرَّرة إلى مُجزِّئ Gemma-3.

LTX-2 sink-bidirectional Euler refiner — المرحلة 2 من SANA-WM، كخط أنابيب مستقل.

يغلّف مكوّنات LTX-2 (محوّل المُحسّن + وصلات النص + مُشفّر النص Gemma-3 + مُجزّئ الرموز) بالإضافة إلى [*FlowMatchEulerDiscreteScheduler*] الذي يحمل جدول سيجما المُقطّر وينفّذ خطوات أويلر. يتم تسجيله كمكوّن اختياري في [*SanaWMPipeline*] ويمكن استخدامه أيضاً بشكل مستقل لتحسين كامنات المرحلة الأولى.

#### __call__[[diffusers.SanaWMLTX2Refiner.__call__]]

```python
__call__(sana_latent: torch.Tensor, prompt: str, fps: float, sink_size: int = 1, generator: torch.Generator | None = None, block_size: int = 3, kv_max_frames: int = 11, sigmas: tuple[float, ...] = (0.909375, 0.725, 0.421875, 0.0), output_type: str = 'np')
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/sana_wm/refiner.py#L107)

**المعاملات:**

sana_latent : `(B, C, F, H, W)` كامن المرحلة الأولى.

prompt : موجه نصي.

fps : معدل إطارات الفيديو (يحدد التوسع الزمني لـ LTX-2 RoPE).

sink_size : عدد إطارات `z_sana` الخام الأولية التي يجب تثبيتها كحوض انتباه (القيمة القياسية: 1).

generator : torch.Generator لضوضاء نقطة النهاية في FM. القيمة الافتراضية هي مولّد مُبذَّر بالرقم 42 حتى تكون النتائج قابلة للتكرار دون أي إعداد مسبق.

block_size : عدد الإطارات الكامنة لكل كتلة AR (القيمة القياسية: 3).

kv_max_frames : الحد الأقصى لإطارات السياق + الإطارات النشطة التي يتم الاحتفاظ بها في النافذة المنزلقة (القيمة القياسية: 11 = 1 إطار غارق + 10 إطارات حديثة).

sigmas : جدول أويلر تنازلي ينتهي عند 0.0 (المُقطَّر القياسي بثلاث خطوات: `(0.909375, 0.725, 0.421875, 0.0)`). يُمرَّر إلى `self.scheduler` (باستثناء القيمة 0.0 في النهاية، حيث يضيفها المُجدوِل بنفسه).

output_type : *"latent"* يعيد الكامنات المُحسَّنة. أي قيمة أخرى تُفكَّك عبر *self.vae* ثم تُعالَج بعدًا لتحويلها إلى ذلك النوع (*"np"*، *"pt"*، *"pil"*)؛ وفي حال عدم وجود *vae* تُعاد الكامنات على أي حال.

**يعيد:** `*torch.Tensor*`

كعوب VAE المُحسَّنة ذات الشكل `(B, C, F, H, W)` — تحمل الإطارات الأولى `sink_size` كعوب sink الخام من المرحلة 1 دون تغيير، بينما تحمل البقية المخرجات المُحسَّنة.

شغّل مُحسّن LTX-2 وأعدّ كامنات VAE المُحسَّنة.

يستخدم وصف AR السببي المقطعي الذي تم تدريب النموذج عليه (`block_size=3`، `kv_max_frames=11`): يتم تغذية نافذة منزلقة من K/V مكونة من `[source_sink + recent_history + active_block]` إلى الترانسفورمر كتلةً تلو الأخرى، مما يجعل حساب كل كتلة محدوداً ويجعل تكلفة التحسين الكلية تتناسب خطياً مع طول الفيديو.

## SanaWMPipelineOutput[[diffusers.SanaWMPipelineOutput]]

#### diffusers.SanaWMPipelineOutput[[diffusers.SanaWMPipelineOutput]]

```python
diffusers.SanaWMPipelineOutput(frames: typing.Union[torch.Tensor, numpy.ndarray, list[list[PIL.Image.Image]]], c2w: numpy.ndarray | None = None, latent: typing.Optional[torch.Tensor] = None)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/sana_wm/pipeline_output.py#L25)

**المعاملات:**

frames (*torch.Tensor* أو *np.ndarray* أو *list[PIL.Image.Image]*) : الفيديو المولّد: مصفوفة `np.ndarray` من نوع float بأبعاد `(T, H, W, 3)` ضمن المدى `[0, 1]` عند `output_type="np"`، أو متجه بأبعاد `(T, 3, H, W)` عند `"pt"`، أو قائمة تحتوي على `T` صورة من نوع `PIL.Image` عند `"pil"`، أو متجه الكمون بأبعاد `(B, C, T_lat, H_lat, W_lat)` عند `"latent"`.

c2w (*np.ndarray*) : أوضاع الكاميرا إلى العالم `(T, 4, 4)` متطابقة مع `frames` (يقوم المُحسّن بإزالة إطار المرساة؛ يُعاد محاذاة هذا المصفوفة وفقاً لذلك عند تشغيل المُحسّن).

latent (*torch.Tensor*، اختياري) : متجه كامن في فضاء LTX-2 VAE، شكله `(B, C, T_lat, H_lat, W_lat)`. يُعاد عند `output_type="latent"``.

فئة الإخراج لخط أنابيب تحويل الصورة إلى فيديو في SANA-WM.