# QwenImage21Transformer2DModel

Qwen-Image 2.1で使用される単一ストリーム型transformerです。テキストと画像の潜在変数は1つのシーケンスを共有し、単一の共有`modulation`投影がすべてのブロックに供給されます。

2.1は、以前のQwenImageトランスフォーマーと区別される2つの動作特性を持っています。

- **ブロック因果アテンション** — アテンションは`(q_idx >= kv_idx) or same_image_block`に従うため、結合シーケンス全体は因果的でありながら、各画像ブロック内部では双方向のアテンションが適用されます。`QwenImage21AttnProcessor`は、プレフィックスセグメントごとに1回のアテンション呼び出しとして実装されており、デフォルトです。`QwenImage21FlexAttnProcessor`は、`BlockMask`によって駆動される単一の`flex_attention`呼び出しとして実装されており、モデルがコンパイルされた後は高速です。どちらの実装も同じ結果を生成します。
- `causal_condition` — テキストおよび条件画像のトークンは、サンプリングされたタイムステップではなく `t = 0` からモジュレーションされます。これらのアクティベーションはデノイジングステップに依存しないため、そのプレフィックスのキーとバリューは `kv_cache` 引数を通じてステップ間でキャッシュできます。

以下で読み込みます:

```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)
```

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

**パラメータ:**

patch_size (`int`、デフォルトは`1`) : チャネル次元に折り畳まれる潜在パッチの辺の長さです。2.1では、パッチ化されていない潜在変数を消費します。

in_channels (`int`、デフォルトは`64`) : 入力潜在チャネル数。

out_channels (`int`、*optional*、デフォルトは `64`) : 出力の潜在チャネル数。`in_channels` にフォールバックします。

num_layers (`int`、デフォルトは`32`) : シングルストリームブロックの数。

attention_head_dim (`int`、デフォルトは`128`) : アテンションヘッドあたりのチャネル数。

num_attention_heads (`int`、デフォルトは`32`) : アテンションヘッドの数。

context_in_dim (`int`、デフォルトは`4096`) : `encoder_hidden_states`のチャネル次元。

mlp_ratio (`int`、デフォルトは`3`) : フィードフォワードの拡張係数。

axes_dims_rope (`tuple[int]`、デフォルトは`(16, 56, 56)`) : フレーム、高さ、幅の各軸に対する Rotary dims。

eps (`float`、デフォルトは`1e-6`) : norm 層用の Epsilon。

causal_condition (`bool`、デフォルトは`True`) : `t = 0`からテキストおよび条件画像トークンをモジュレートします。KVキャッシュには必須です。

Qwen-Image 2.1で使用される単一ストリームTransformer。

テキストと画像の潜在変数は1つのシーケンスを共有します。条件画像のトークンは、ビジョン・言語エンコーダーがそのために確保した位置にテキストストリームへ代入され、ターゲット画像のトークンは末尾に追加されます。単一の共有`modulation`プロジェクションがすべてのブロックに供給されるため、各ブロックには独自のmodulationパラメータを持ちません。

2.1を特徴づける2つの動作:

- **ブロック因果アテンション** — アテンションは`(q_idx >= kv_idx) or same_image_block`に従うため、シーケンス全体は因果的でありながら、各画像ブロック内部では双方向のアテンションが適用されます。`flex`アテンションバックエンドを使用すると、効率的な単一パスのアテンションが実現されます。使用しない場合、モデルは各ブロックを個別に処理する正確なマルチパスSDPAプリフィルにフォールバックします。
- `causal_condition` — テキストおよび条件画像のトークンは、サンプリングされたタイムステップではなく `t = 0` からモジュレーションされるため、それらのアクティベーションはタイムステップに依存せず、デノイジングステップ間でキャッシュ可能になります。

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

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

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

**パラメータ:**

image_pad_mask (`torch.Tensor`) : `(seq_len,)` bool、画像トークンの位置で`True`。

img_shapes (`list[tuple[int, int, int]]`) : 潜在トークンにおける画像ごとの`(frame, height, width)`。条件画像を先頭に、ターゲット画像を末尾に配置します。

**戻り値:** `tuple[torch.Tensor, torch.Tensor]`

`image_ids` `(seq_len,)` はテキストの位置に`-1`を持ち、各画像ブロックに一意の ID を割り当て、`target_token_mask` `(seq_len,)` は対象となる画像のトークンを示します。

結合シーケンスの各トークンに、それが属する画像ブロックをラベル付けします。

`img_shapes` のトークン数からブロック境界が決定され、`image_pad_mask` 内の `True` の連続から決定されるわけではありません。テキストを挟まず隣接して配置された2つの条件画像は1つの連続区間を形成しますが、別々のブロックとして保持されなければなりません。そうしないと、それらが双方向に相互注意を払うことになってしまいます。

#### 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)
```

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

**パラメータ:**

hidden_states (`torch.Tensor`、shape `(batch_size, image_sequence_length, in_channels)`) : パックされた潜変数。条件画像が先頭、ターゲット画像が末尾に配置されています。

encoder_hidden_states (`torch.Tensor`、shape `(batch_size, text_sequence_length, context_in_dim)`) : ビジョン・言語エンコーダーからのテキスト埋め込み。

timestep (`torch.Tensor`) : 現在のノイズ除去ステップ。`[0, 1]`にスケーリングされています。

img_shapes (`list[list[tuple[int, int, int]]]`) : 各サンプルごとの `(frame, height, width)` のリスト（潜在トークン単位）。条件画像が先頭、ターゲット画像が末尾に配置されます。すべてのサンプルは同じレイアウトを共有する必要があります。

img_mask (`torch.Tensor`、shape `(batch_size, vlm_sequence_length)`) : ビジョン・言語エンコーダーの画像スロットの位置が `True` であり、各スロットは `2x2` の潜在トークングループを表します。

encoder_hidden_states_mask (`torch.Tensor`, *任意*) : `(batch_size, text_sequence_length)` 有効なテキストトークンを示す bool 型。パディングされた位置はアテンションから除外されます。

kv_cache (`QwenImage21KVCache`, *任意*) : キャッシュコンテナ。`kv_cache_mode` と一緒に渡すことで、プレフィックス KV キャッシングを有効にします。

kv_cache_mode (`str`, *任意*) : キャッシュをプリフィル（最初のデノイジングステップ）するには `"extract"`、そこからデコード（以降のステップ）するには `"cached"` を指定します。`causal_condition=True` が必要です。

attention_kwargs (`dict`、*任意*) : attention processor に転送され、LoRA レイヤーの `scale` を保持します。

return_dict (`bool`、*任意*、デフォルトは`True`) : プレーンなタプルではなく、[Transformer2DModelOutput](/docs/diffusers/main/ja/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput)を返すかどうか。

**戻り値:** [Transformer2DModelOutput](/docs/diffusers/main/ja/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) または `tuple`

`return_dict` が True の場合は [Transformer2DModelOutput](/docs/diffusers/main/ja/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput)、それ以外は最初の要素がノイズ除去された潜変数である通常の `tuple` を返します。

## 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)
```

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

**パラメータ:**

sample (`torch.Tensor`、shape は `(batch_size, num_channels, height, width)`、または [Transformer2DModel](/docs/diffusers/main/ja/api/models/transformer2d#diffusers.Transformer2DModel) が離散型の場合 `(batch size, num_vector_embeds - 1, num_latent_pixels)`) : `encoder_hidden_states` 入力を条件とする隠れ状態の出力です。離散型の場合、ノイズ除去されていない潜在ピクセルの確率分布を返します。

[Transformer2DModel](/docs/diffusers/main/ja/api/models/transformer2d#diffusers.Transformer2DModel)の出力です。