# BriaFibo2Transformer2DModel

Transformer single-stream dari Fibo 2.0 milik [Bria](https://huggingface.co/briaai), yang dibangun di atas blok Z-Image. Kondisioning teksnya berasal dari Qwen3-VL melalui dua cara: Perceiver resampler mengubah hidden states dari text encoder menjadi gist tokens yang berbagi stream dengan image tokens, dan lima blok menambahkan gated cross-attention ke bundle lapisan Qwen3-VL mereka sendiri. Untuk melakukan edit, latents dari gambar yang akan diedit bergabung ke dalam stream sebagai clean tokens, dengan masing-masing gambar berada di bidang RoPE-nya sendiri.

## BriaFibo2Transformer2DModel[[diffusers.BriaFibo2Transformer2DModel]]

#### diffusers.BriaFibo2Transformer2DModel[[diffusers.BriaFibo2Transformer2DModel]]

```python
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))
```

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_bria_fibo2.py#L430)

#### forward[[diffusers.BriaFibo2Transformer2DModel.forward]]

```python
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)
```

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_bria_fibo2.py#L500)

**Parameter:**

hidden_states (`torch.Tensor` dengan bentuk `(batch_size, in_channels, height, width)`) : Laten VAE ternormalisasi dari gambar yang sedang dibuat.

timestep (`torch.Tensor` dengan bentuk `(batch_size,)`) : Tingkat noise dalam `[0, 1]`: 1 adalah noise murni, 0 adalah gambar bersih.

encoder_hidden_states (`torch.Tensor` dengan bentuk `(batch_size, 1 + len(injection_layer_ids), text_len, cap_feat_dim)`) : Fitur encoder teks: bundle Perceiver terlebih dahulu, kemudian satu bundle per blok injeksi.

encoder_attention_mask (`torch.Tensor` dengan bentuk `(batch_size, text_len)`, *opsional*) : Mask bool untuk token teks asli, untuk batch prompt yang di-pad hingga panjang yang sama. Biarkan sebagai `None` jika tidak ada yang di-pad.

context_latents (`list[torch.Tensor]`, *opsional*) : Laten VAE ternormalisasi dari gambar yang akan diedit, satu tensor dengan bentuk `(batch_size, in_channels, height, width)` per gambar, sesuai urutannya. Setiap gambar dapat memiliki ukuran sendiri. Token-token mereka mengondisikan generasi sebagai token bersih dan tidak diprediksi.

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

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

Kecepatan yang diprediksi, dengan bentuk `hidden_states`. Jika `return_dict` adalah `False`, sebuah tuple yang elemen pertamanya adalah tensor tersebut.