# QwenImage21Transformer2DModel

Transformer single-stream yang digunakan oleh Qwen-Image 2.1. Laten teks dan gambar berbagi satu urutan, dan satu proyeksi `modulation` bersama memberi makan setiap blok.

Dua perilaku membedakan 2.1 dari transformer QwenImage sebelumnya:

- **Atensi kausal blok** — atensi mengikuti `(q_idx >= kv_idx) or same_image_block`, sehingga urutan gabungan bersifat kausal sementara setiap blok gambar tetap bidireksional secara internal. `QwenImage21AttnProcessor` mengimplementasikannya sebagai satu panggilan atensi per segmen prefiks dan merupakan default. `QwenImage21FlexAttnProcessor` mengimplementasikannya sebagai satu panggilan `flex_attention` yang digerakkan oleh `BlockMask`, yang lebih cepat setelah model dikompilasi. Keduanya menghasilkan hasil yang sama.
- `causal_condition` — token teks dan gambar kondisi dimodulasi dari `t = 0`, bukan dari timestep yang disampel. Aktivasi mereka independen dari langkah denoising, sehingga kunci dan nilai dari prefiks tersebut dapat di-cache antar langkah melalui argumen `kv_cache`.

Muat dengan:

```python
import torch
from diffusers import QwenImage21Transformer2DModel

transformer = QwenImage21Transformer2DModel.from_pretrained(
    "Qwen/Qwen-Image-2.1", subfolder="transformer", dtype=torch.bfloat16
)
```

## QwenImage21Transformer2DModel[[diffusers.QwenImage21Transformer2DModel]]

#### diffusers.QwenImage21Transformer2DModel[[diffusers.QwenImage21Transformer2DModel]]

```python
diffusers.QwenImage21Transformer2DModel(patch_size: int = 1, in_channels: int = 64, out_channels: int | None = 64, num_layers: int = 32, attention_head_dim: int = 128, num_attention_heads: int = 32, context_in_dim: int = 4096, mlp_ratio: int = 3, axes_dims_rope: tuple[int, int, int] = (16, 56, 56), eps: float = 1e-06, causal_condition: bool = True)
```

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage21.py#L716)

**Parameter:**

patch_size (`int`, defaultnya `1`) : Panjang sisi dari latent patch yang dilipat ke dimensi channel. 2.1 mengonsumsi latents tanpa patch.

in_channels (`int`, defaultnya `64`) : Kanal laten dari input.

out_channels (`int`, *opsional*, defaultnya `64`) : Kanal laten dari output. Kembali ke `in_channels`.

num_layers (`int`, defaultnya `32`) : Jumlah blok single-stream.

attention_head_dim (`int`, defaultnya `128`) : Jumlah channel per kepala perhatian.

num_attention_heads (`int`, defaultnya `32`) : Jumlah kepala perhatian.

context_in_dim (`int`, defaultnya `4096`) : Dimensi channel dari `encoder_hidden_states`.

mlp_ratio (`int`, defaultnya `3`) : Faktor ekspansi feed-forward.

axes_dims_rope (`tuple[int]`, defaultnya `(16, 56, 56)`) : Dimensi rotasi untuk sumbu frame, tinggi, dan lebar.

eps (`float`, defaultnya `1e-6`) : Epsilon untuk lapisan norm.

causal_condition (`bool`, defaultnya `True`) : Modulasi token teks dan gambar kondisi dari `t = 0`. Diperlukan untuk KV caching.

Transformer single-stream yang digunakan oleh Qwen-Image 2.1.

Latent teks dan gambar berbagi satu urutan: token gambar kondisi disubstitusikan ke dalam aliran teks pada posisi yang telah disediakan oleh encoder vision-language, dan token gambar target ditambahkan di akhir. Satu proyeksi `modulation` bersama memberi makan setiap blok, sehingga blok tidak memiliki parameter modulasi miliknya sendiri.

Dua perilaku yang membedakan 2.1:

- **Atensi blok-kausal** — atensi mengikuti `(q_idx >= kv_idx) or same_image_block`, sehingga urutan bersifat kausal sementara setiap blok gambar tetap bidireksional secara internal. Backend atensi `flex` memberikan atensi satu-lintas yang efisien; tanpanya, model menggunakan prefill SDPA multi-lintas yang tepat yang memproses setiap blok secara terpisah.
- `causal_condition` — token teks dan gambar kondisi dimodulasi dari `t = 0` alih-alih timestep yang disampel, yang juga membuat aktivasi mereka tidak bergantung pada timestep sehingga dapat di-cache di antara langkah-langkah denoising.

#### build_token_metadata[[diffusers.QwenImage21Transformer2DModel.build_token_metadata]]

```python
build_token_metadata(image_pad_mask: Tensor, img_shapes: list[tuple[int, int, int]])
```

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage21.py#L822)

**Parameter:**

image_pad_mask (`torch.Tensor`) : `(seq_len,)` bool, `True` pada posisi token gambar.

img_shapes (`list[tuple[int, int, int]]`) : `(frame, height, width)` per gambar dalam token laten, dengan gambar kondisi di awal dan gambar target di akhir.

**Mengembalikan:** `tuple[torch.Tensor, torch.Tensor]`

`image_ids` `(seq_len,)` dengan `-1` pada posisi teks dan id unik per blok gambar, serta `target_token_mask` `(seq_len,)` yang menandai token dari gambar target.

Label setiap token dari urutan gabungan dengan blok gambar yang menjadi keanggotaannya.

Batas blok berasal dari jumlah token dalam `img_shapes`, bukan dari rangkaian `True` dalam `image_pad_mask`: dua gambar kondisi yang kebetulan bersebelahan tanpa teks di antaranya membentuk satu rangkaian tetapi harus tetap menjadi blok terpisah, jika tidak mereka akan saling memperhatikan secara bidireksional.

#### forward[[diffusers.QwenImage21Transformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: Tensor, img_shapes: list[list[tuple[int, int, int]]], img_mask: Tensor, encoder_hidden_states_mask: typing.Optional[torch.Tensor] = None, attention_kwargs: dict[str, typing.Any] | None = None, kv_cache: diffusers.models.transformers.transformer_qwenimage21.QwenImage21KVCache | None = None, kv_cache_mode: str | None = None, return_dict: bool = True)
```

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage21.py#L862)

**Parameter:**

hidden_states (`torch.Tensor` dengan bentuk `(batch_size, image_sequence_length, in_channels)`) : Latents yang dikemas, dengan gambar kondisi di depan dan gambar target di akhir.

encoder_hidden_states (`torch.Tensor` dengan bentuk `(batch_size, text_sequence_length, context_in_dim)`) : Embedding teks dari encoder vision-language.

timestep (`torch.Tensor`) : Langkah denoising saat ini, diskalakan ke `[0, 1]`.

img_shapes (`list[list[tuple[int, int, int]]]`) : Daftar per sampel berisi `(frame, height, width)` dalam token laten, dengan gambar kondisi di awal dan gambar target di akhir. Semua sampel harus berbagi tata letak yang sama.

img_mask (`torch.Tensor` dengan bentuk `(batch_size, vlm_sequence_length)`) : `True` pada slot gambar dari encoder vision-language, masing-masing mewakili kelompok `2x2` token laten.

encoder_hidden_states_mask (`torch.Tensor`, *opsional*) : `(batch_size, text_sequence_length)` bool yang menandai token teks yang valid. Posisi yang di-*pad* dikecualikan dari perhatian.

kv_cache (`QwenImage21KVCache`, *opsional*) : Wadah cache. Sampaikan bersama `kv_cache_mode` untuk mengaktifkan cache KV prefiks.

kv_cache_mode (`str`, *opsional*) : `"extract"` untuk mengisi awal cache (langkah denoising pertama), `"cached"` untuk mendekode darinya (langkah-langkah selanjutnya). Memerlukan `causal_condition=True`.

attention_kwargs (`dict`, *opsional*) : Diteruskan ke prosesor perhatian, dan membawa `scale` untuk lapisan LoRA.

return_dict (`bool`, *opsional*, defaultnya `True`) : Apakah akan mengembalikan [Transformer2DModelOutput](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) alih-alih tuple biasa.

**Mengembalikan:** [Transformer2DModelOutput](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) atau `tuple`

[Transformer2DModelOutput](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) jika `return_dict` bernilai True, selain itu berupa `tuple` biasa yang elemen pertamanya adalah latents yang telah didenoise.

## 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)
```

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

**Parameter:**

sample (`torch.Tensor` dengan bentuk `(batch_size, num_channels, height, width)` atau `(batch size, num_vector_embeds - 1, num_latent_pixels)` jika [Transformer2DModel](/docs/diffusers/main/id/api/models/transformer2d#diffusers.Transformer2DModel) bersifat diskrit) : Output hidden states yang dikondisikan pada input `encoder_hidden_states`. Jika diskrit, mengembalikan distribusi probabilitas untuk piksel laten yang tidak berisik.

Output dari [Transformer2DModel](/docs/diffusers/main/id/api/models/transformer2d#diffusers.Transformer2DModel).