# SanaWMTransformer3DModel

카메라 제어 이미지-비디오 생성을 위한 3D Diffusion Transformer(1.6B 파라미터)로, [SanaWMPipeline](/docs/diffusers/main/ko/api/pipelines/sana_wm#diffusers.SanaWMPipeline)의 1단계 샘플러로 사용됩니다. 이 Transformer는 다음을 결합합니다:

* 양방향 GDN-Triton 선형 어텐션 메인 브랜치(깊이 20, 숨김 2240, 헤드 20),
* 요청된 궤도의 raymap + Plücker 표현을 소비하는 UCPE(Unified Camera Pose Embedding) 카메라 제어 브랜치,
* `softmax_every_n` 레이어마다 주입되는 Wan 스타일의 3D 회전 위치 임베딩과 주기적 softmax-attention 블록

모델은 다음으로 로드할 수 있습니다:

```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')
```

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

**매개변수:**

in_channels (*int*, 기본값 128) : VAE 잠재 채널 (LTX-2).

softmax_every_n (*int*, 기본값 4) : N개 블록마다 softmax attention 블록을 사용합니다.

linear_head_dim (*int*, 기본값 112) : GDN 헤드 차원.

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

t_kernel_size (*int*, 기본값 3) : 시간 방향 컨볼루션 커널.

conv_kernel_size (*int*, 기본값 4) : attention 내부의 공간 컨볼루션 커널.

k_conv_only (*bool*, 기본값 True) : K에만 conv를 적용합니다.

pos_embed_type (*str*, 기본값 `"wan_rope"`) : 위치 임베딩.

qk_norm (*bool*, 기본값 True) : Q/K에 RMSNorm 적용 여부.

cross_norm (*bool*, 기본값 True) : cross-attention K에 RMSNorm을 적용합니다.

y_norm (*bool*, 기본값 True) : 텍스트 임베딩에 `attention_y_norm`을 적용합니다.

init_cam_from_base (*bool*, 기본값 True) : 미사용; 카메라 분기는 체크포인트에서 로드됩니다. 릴리스된 *config.json* 파일이 로드되도록 유지됩니다.

use_chunk_plucker_post_attn (*bool*, 기본값 True). --

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

chunk_plucker_post_attn_blocks (*int*, 기본값 20) : 모든 블록.

fp32_attention (*bool*, 기본값 True) : 미사용; attention은 항상 fp32로 실행됩니다. 릴리스된 *config.json* 파일이 로드되도록 유지됩니다.

image_size (*int*, 기본값 720) : 명목상 이미지 크기.

caption_channels (*int*, 기본값 2304) : Gemma-2 hidden size.

SANA-WM 1600M 양방향 카메라 제어 DiT.

단일 클래스 DiT(depth=20, hidden_size=2240, patch_size=(1,1,1), num_heads=20 — 즉 공개된 `Efficient-Large-Model/SANA-WM_bidirectional` 릴리스). `save_pretrained` / `from_pretrained`는 [ConfigMixin](/docs/diffusers/main/ko/api/configuration#diffusers.ConfigMixin)을 통해 바로 사용할 수 있습니다.

모든 블록은 카메라 조건부(UCPE) 어텐션인 [*BidirectionalGDNUCPESinglePathLiteLA*]를 실행하며, `softmax_every_n`번째 블록만 softmax 대응 버전인 [*_SoftmaxUCPESinglePathLiteLA*]를 실행합니다.

state-dict는 의도적으로 제거된 `pos_embed` 버퍼를 제외하고 공개된 sana 체크포인트와 동일합니다.

#### 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)
```

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

**매개변수:**

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

timestep : `(B, 1, T)` 프레임별 diffusion timesteps (LTX 스타일).

encoder_hidden_states : `(B, 1, L, D_caption)` 텍스트 임베딩.

encoder_attention_mask : `(B, L)` 텍스트 어텐션 마스크 (diffusers 규약).

mask : sana DiT의 kwarg 이름과 일치하는 `encoder_attention_mask`의 별칭입니다. 둘 다 전달되면 `mask`가 우선합니다.

return_dict : `True`(기본값)인 경우 `Transformer2DModelOutput`을 반환하고, 그렇지 않으면 1-튜플 `(sample,)`을 반환합니다.

data_info : 추가 조건; `data_info["image_vae_embeds"]`이 존재하는 경우 채널 축을 따라 latents에 연결됩니다.

camera_conditions : `(B, T, 20)` 카메라 제어(UCPE) 브랜치를 구동하는 원시 카메라 조건.

chunk_plucker : Plucker ray embeddings `(B, C, T, H, W)`, 모델이 `use_chunk_plucker_input` / `use_chunk_plucker_post_attn`로 구성된 경우 소비됩니다.

cam_pos_embeds : 재계산 대신 재사용할 선택적 사전 계산된 카메라 위치 임베딩(`"absmap"` / `"P"` 항목).

pos_embeds : 선택 사항인 사전 계산된 rotary position embeddings입니다. `None`인 경우 latent shape에서 생성됩니다.

raymats : 선택 사항. 사전 계산된 UCPE 레이 행렬(`cam_pos_embeds`에 `"P"`가 없는 경우에만 사용됨).

frame_valid_mask : 프레임별 유효성 마스크(선택 사항). 모양은 `(B, 1, T, 1, 1)`, `(B, 1, T)` 또는 `(B, T)`입니다.

chunk_size : 블록으로 전달되는 chunk length override입니다. 각 블록에 설정된 `chunk_size`로 대체됩니다.

**반환값:**

`(B, C, T, H, W)` 모양의 `sample`을 가진 `Transformer2DModelOutput`.

SANA-WM DiT를 실행합니다.

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

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

[소스](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)
```

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

**매개변수:**

sample (`torch.Tensor`, shape `(batch_size, num_channels, height, width)` 또는 [Transformer2DModel](/docs/diffusers/main/ko/api/models/transformer2d#diffusers.Transformer2DModel)이 discrete인 경우 `(batch size, num_vector_embeds - 1, num_latent_pixels)`) : `encoder_hidden_states` 입력에 조건부인 hidden states 출력입니다. discrete인 경우, 노이즈가 제거된 latent 픽셀에 대한 확률 분포를 반환합니다.

[Transformer2DModel](/docs/diffusers/main/ko/api/models/transformer2d#diffusers.Transformer2DModel)의 출력입니다.