# SanaWMTransformer3DModel

Un Diffusion Transformer 3D (1.6B parámetros) para la generación de imagen a video controlada por cámara, utilizado como el muestreador de la etapa 1 de [SanaWMPipeline](/docs/diffusers/main/es/api/pipelines/sana_wm#diffusers.SanaWMPipeline). El transformer combina:

* una rama principal de atención lineal GDN-Triton bidireccional (profundidad 20, oculto 2240, 20 cabezas),
* una rama de control de cámara UCPE (Unified Camera Pose Embedding) que consume una representación raymap + Plücker de la trayectoria solicitada, y
* un incrustado de posición rotacional 3D de estilo Wan más bloques de atención softmax periódicos inyectados cada `softmax_every_n` capas.

El modelo se puede cargar con:

```python
import torch
from diffusers import SanaWMTransformer3DModel

transformer = SanaWMTransformer3DModel.from_pretrained(
    "Efficient-Large-Model/SANA-WM_bidirectional-diffusers",
    subfolder="transformer",
    torch_dtype=torch.bfloat16,
)
```

## SanaWMTransformer3DModel[[diffusers.SanaWMTransformer3DModel]]

#### diffusers.SanaWMTransformer3DModel[[diffusers.SanaWMTransformer3DModel]]

```python
diffusers.SanaWMTransformer3DModel(in_channels: int = 128, num_layers: int = 20, hidden_size: int = 2240, num_attention_heads: int = 20, patch_size: tuple[int, int, int] = (1, 1, 1), softmax_every_n: int = 4, linear_head_dim: int = 112, ffn_type: str = 'GLUMBConvTemp', t_kernel_size: int = 3, conv_kernel_size: int = 4, k_conv_only: bool = True, pos_embed_type: str = 'wan_rope', qk_norm: bool = True, cross_norm: bool = True, y_norm: bool = True, cam_attn_compress: int = 1, init_cam_from_base: bool = True, use_chunk_plucker_post_attn: bool = True, chunk_plucker_channels: int = 48, chunk_plucker_post_attn_blocks: int = 20, fp32_attention: bool = True, image_size: int = 720, caption_channels: int = 2304, mlp_ratio: float = 3.0, mlp_acts: tuple = ('silu', 'silu', None), use_pe: bool = True, learn_sigma: bool = False, pred_sigma: bool = False, mixed_precision: str = 'bf16')
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_sana_wm.py#L2663)

**Parámetros:**

in_channels (*int*, por defecto 128) : canales latentes del VAE (LTX-2).

softmax_every_n (*int*, por defecto 4) : Usa un bloque de atención softmax cada N bloques.

linear_head_dim (*int*, por defecto 112) : Dimensión de la cabeza GDN.

ffn_type (*str*, por defecto `"GLUMBConvTemp"`) : FFN.

t_kernel_size (*int*, por defecto 3) : Núcleo de convolución temporal.

conv_kernel_size (*int*, por defecto 4) : Núcleo de convolución espacial dentro de la atención.

k_conv_only (*bool*, por defecto True) : Aplicar conv solo en K.

pos_embed_type (*str*, por defecto `"wan_rope"`) : Incrustación de posición.

qk_norm (*bool*, por defecto True) : RMSNorm en Q/K.

cross_norm (*bool*, por defecto True) : RMSNorm en la K de la atención cruzada.

y_norm (*bool*, por defecto True) : Aplica `attention_y_norm` a las incrustaciones de texto.

init_cam_from_base (*bool*, predeterminado en True) : Sin uso; la rama de la cámara se carga desde el punto de control. Se mantiene para que los archivos *config.json* publicados se carguen.

use_chunk_plucker_post_attn (*bool*, por defecto True). --

chunk_plucker_channels (*int*, por defecto 48) : `6 dims * temporal_stride 8`.

chunk_plucker_post_attn_blocks (*int*, por defecto 20) : Todos los bloques.

fp32_attention (*bool*, predeterminado en True) : Sin uso; la atención siempre se ejecuta en fp32. Se mantiene para que los archivos *config.json* publicados se carguen.

image_size (*int*, por defecto 720) : Tamaño nominal de la imagen.

caption_channels (*int*, valor predeterminado 2304) : Tamaño oculto de Gemma-2.

SANA-WM 1600M DiT bidireccional controlado por cámara.

Un DiT de una sola clase (depth=20, hidden_size=2240, patch_size=(1,1,1), num_heads=20, es decir, la publicación pública `Efficient-Large-Model/SANA-WM_bidirectional`). `save_pretrained` / `from_pretrained` funcionan directamente a través de [ConfigMixin](/docs/diffusers/main/es/api/configuration#diffusers.ConfigMixin).

Cada bloque ejecuta una atención condicionada por cámara (UCPE): [*BidirectionalGDNUCPESinglePathLiteLA*], excepto cada bloque `softmax_every_n`-ésimo, que ejecuta su contraparte de softmax [*_SoftmaxUCPESinglePathLiteLA*].

El state-dict es idéntico al checkpoint público de sana, excepto por el buffer `pos_embed` que se eliminó intencionalmente.

#### forward[[diffusers.SanaWMTransformer3DModel.forward]]

```python
forward(hidden_states: torch.Tensor, timestep: torch.Tensor, encoder_hidden_states: torch.Tensor, encoder_attention_mask: torch.Tensor | None = None, mask: torch.Tensor | None = None, return_dict: bool = True, data_info: Optional[dict] = None, camera_conditions: torch.Tensor | None = None, chunk_plucker: torch.Tensor | None = None, cam_pos_embeds: Optional[dict] = None, pos_embeds: torch.Tensor | None = None, raymats: torch.Tensor | None = None, frame_valid_mask: torch.Tensor | None = None, chunk_size: int | None = None)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_sana_wm.py#L2896)

**Parámetros:**

hidden_states : latentes `(B, C, T, H, W)`.

timestep : `(B, 1, T)` pasos de difusión por cuadro (estilo LTX).

encoder_hidden_states : `(B, 1, L, D_caption)` incrustaciones de texto.

encoder_attention_mask : `(B, L)` máscara de atención de texto (convención de diffusers).

mask : Alias de `encoder_attention_mask` que coincide con el nombre del kwarg del DiT de sana. Si se pasan ambos, `mask` tiene prioridad.

return_dict : Si `True` (predeterminado), devuelve un `Transformer2DModelOutput`; de lo contrario, devuelve una tupla de un elemento `(sample,)`.

data_info : Condicionamiento adicional; `data_info["image_vae_embeds"]` se concatena con los latentes a lo largo del eje de canales cuando está presente.

camera_conditions : `(B, T, 20)` condiciones de cámara en bruto que impulsan la rama de control de cámara (UCPE).

chunk_plucker : Incrustaciones de rayos Plucker `(B, C, T, H, W)`, consumidas cuando el modelo está configurado con `use_chunk_plucker_input` / `use_chunk_plucker_post_attn`.

cam_pos_embeds : Incrustaciones de posición de cámara precalculadas opcionales (entradas `"absmap"` / `"P"`) que se reutilizan en lugar de recalcularlas.

pos_embeds : Incrustaciones de posición rotatoria precalculadas opcionales; cuando es `None`, se construyen a partir de la forma latente.

raymats : Matrices de rayos UCPE precalculadas opcionales (se usan solo cuando `cam_pos_embeds` no lleva `"P"`).

frame_valid_mask : Máscara de validez opcional por cuadro, con forma `(B, 1, T, 1, 1)`, `(B, 1, T)` o `(B, T)`.

chunk_size : Longitud de fragmento que se reenvía a los bloques; si no se especifica, se utiliza el `chunk_size` configurado en cada bloque.

**Devuelve:**

`Transformer2DModelOutput` con `sample` de forma `(B, C, T, H, W)`.

Ejecuta el DiT de SANA-WM.

#### unpatchify[[diffusers.SanaWMTransformer3DModel.unpatchify]]

```python
unpatchify(x, post_patch_num_frames, post_patch_height, post_patch_width)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_sana_wm.py#L3099)

x: (N, T, patch_size**2 * C) imgs: (N, H, W, C)

## Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

#### diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

```python
diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)

**Parámetros:**

sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` o `(batch size, num_vector_embeds - 1, num_latent_pixels)` si [Transformer2DModel](/docs/diffusers/main/es/api/models/transformer2d#diffusers.Transformer2DModel) es discreto): las salidas de estados ocultos condicionadas a la entrada `encoder_hidden_states`. Si es discreto, devuelve distribuciones de probabilidad para los píxeles latentes sin ruido.

La salida de [Transformer2DModel](/docs/diffusers/main/es/api/models/transformer2d#diffusers.Transformer2DModel).