# HeliosTransformer3DModel

Un modelo de 14B de Transformer de difusión autogresiva en tiempo real (con soporte para T2V, I2V y V2V) para datos de video 3D de [Helios](https://github.com/PKU-YuanGroup/Helios) fue introducido en [Helios: Real Real-Time Long Video Generation Model](https://huggingface.co/papers/2603.04379) por Peking University & ByteDance & etc.

El modelo se puede cargar con el siguiente fragmento de código.

```python
from diffusers import HeliosTransformer3DModel

# Best Quality
transformer = HeliosTransformer3DModel.from_pretrained("BestWishYsh/Helios-Base", subfolder="transformer", dtype=torch.bfloat16)
# Intermediate Weight
transformer = HeliosTransformer3DModel.from_pretrained("BestWishYsh/Helios-Mid", subfolder="transformer", dtype=torch.bfloat16)
# Best Efficiency
transformer = HeliosTransformer3DModel.from_pretrained("BestWishYsh/Helios-Distilled", subfolder="transformer", dtype=torch.bfloat16)
```

## HeliosTransformer3DModel[[diffusers.HeliosTransformer3DModel]]

#### diffusers.HeliosTransformer3DModel[[diffusers.HeliosTransformer3DModel]]

```python
diffusers.HeliosTransformer3DModel(patch_size: tuple[int, ...] = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int = 16, out_channels: int = 16, text_dim: int = 4096, freq_dim: int = 256, ffn_dim: int = 13824, num_layers: int = 40, cross_attn_norm: bool = True, qk_norm: str | None = 'rms_norm_across_heads', eps: float = 1e-06, added_kv_proj_dim: int | None = None, rope_dim: tuple[int, ...] = (44, 42, 42), rope_theta: float = 10000.0, guidance_cross_attn: bool = True, zero_history_timestep: bool = True, has_multi_term_memory_patch: bool = True, is_amplify_history: bool = False, history_scale_mode: str = 'per_head')
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_helios.py#L501)

**Parámetros:**

patch_size (`tuple[int]`, por defecto `(1, 2, 2)`) : dimensiones de parche 3D para la incrustación de video (t_patch, h_patch, w_patch).

num_attention_heads (`int`, por defecto `40`) : Longitud fija para las incorporaciones de texto.

attention_head_dim (`int`, por defecto `128`) : El número de canales en cada cabeza.

in_channels (`int`, por defecto `16`) : El número de canales en la entrada.

out_channels (`int`, por defecto `16`) : El número de canales en la salida.

text_dim (`int`, por defecto `512`) : Dimensión de entrada para las incrustaciones de texto.

freq_dim (`int`, por defecto `256`) : Dimensión para las incrustaciones sinusoidales de tiempo.

ffn_dim (`int`, por defecto `13824`) : Dimensión intermedia en la red feed-forward.

num_layers (`int`, por defecto `40`) : El número de capas de bloques de transformador a utilizar.

window_size (`tuple[int]`, por defecto `(-1, -1)`) : Tamaño de la ventana para la atención local (-1 indica atención global).

cross_attn_norm (`bool`, por defecto `True`) : Habilita la normalización de atención cruzada.

qk_norm (`bool`, por defecto `True`) : Habilita la normalización de consulta/clave.

eps (`float`, por defecto `1e-6`) : Valor de epsilon para las capas de normalización.

add_img_emb (`bool`, por defecto `False`) : Si se debe usar img_emb.

added_kv_proj_dim (`int`, *opcional*, valor predeterminado `None`) : El número de canales a utilizar para las proyecciones de clave y valor añadidas. Si es `None`, no se utiliza ninguna proyección.

Un modelo Transformer para datos tipo video utilizado en el modelo Helios.

#### forward[[diffusers.HeliosTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: LongTensor, encoder_hidden_states: Tensor, indices_hidden_states = None, indices_latents_history_short = None, indices_latents_history_mid = None, indices_latents_history_long = None, latents_history_short = None, latents_history_mid = None, latents_history_long = None, return_dict: bool = True, attention_kwargs: dict[str, typing.Any] | None = None)
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_helios.py#L661)

**Parámetros:**

hidden_states (`torch.Tensor` de forma `(batch_size, num_channels, num_frames, height, width)`) : `hidden_states` de entrada.

timestep (`torch.LongTensor`) : Se utiliza para indicar el paso de desruido.

encoder_hidden_states (`torch.Tensor` de forma `(batch_size, sequence_len, embed_dims)`) : Embeddings condicionales (embeddings calculados a partir de las condiciones de entrada, como los prompts) a utilizar.

indices_hidden_states (`torch.Tensor`, *opcional*) : Índices de fotogramas para `hidden_states` utilizados para calcular los embeddings posicionales rotatorios.

indices_latents_history_short (`torch.Tensor`, *opcional*) : Índices de fotogramas para los latentes de la historia corta.

indices_latents_history_mid (`torch.Tensor`, *opcional*) : Índices de fotogramas para los latentes de la historia intermedia.

indices_latents_history_long (`torch.Tensor`, *opcional*) : Índices de fotogramas para los latentes de la historia larga.

latents_history_short (`torch.Tensor`, *opcional*) : Condicionamiento de latentes de historial corto.

latents_history_mid (`torch.Tensor`, *opcional*) : Condicionamiento de latentes de historial medio.

latents_history_long (`torch.Tensor`, *opcional*) : Condicionamiento de latentes de historial largo.

return_dict (`bool`, *opcional*, valor predeterminado `True`) : Indica si se debe devolver un `~models.transformer_2d.Transformer2DModelOutput` en lugar de una tupla simple.

attention_kwargs (`dict`, *opcional*) : Un diccionario de kwargs que, si se especifica, se pasa al `AttentionProcessor` tal como se define bajo `self.processor` en [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

**Devuelve:**

Si `return_dict` es True, se devuelve un `~models.transformer_2d.Transformer2DModelOutput`; en caso contrario, se devuelve una `tuple` cuyo primer elemento es el tensor de la muestra.

El método forward de [HeliosTransformer3DModel](/docs/diffusers/v0.43.0/es/api/models/helios_transformer3d#diffusers.HeliosTransformer3DModel).

## 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/v0.43.0/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/v0.43.0/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/v0.43.0/es/api/models/transformer2d#diffusers.Transformer2DModel).