# Cosmos3OmniTransformer

Mixture-of-Transformer (MoT) adalah transformer gabungan visi-bahasa yang diperkenalkan sebagai bagian dari keluarga model fondasi dunia Cosmos3 dari NVIDIA. Model ini menjalankan dua jalur komputasi paralel di atas urutan gabungan yang dikemas:

- a **jalur "pemahaman" kausal** yang melakukan self-attention pada token teks dengan masking kausal, dan
- a **jalur "generasi" bi-arah** yang melakukan cross-attention dari token generasi (laten visual + laten suara opsional) ke seluruh himpunan kunci/nilai pemahaman-plus-generasi.

Kedua jalur berbagi ukuran tersembunyi dan jumlah lapisan yang sama, tetapi mempertahankan **proyeksi Q/K/V/O, MLP, dan parameter RMSNorm yang terpisah**, yang menjadikan arsitektur ini sebagai Mixture-of-Transformer alih-alih Mixture-of-Experts standar. Informasi posisi disuplai melalui 3D multimodal RoPE (mRoPE) yang menginterleaving frekuensi temporal / tinggi / lebar untuk latens video dan menggunakan kembali sumbu temporal untuk teks dan audio.

Model dapat dimuat sebagai berikut.

```python
import torch
from diffusers import Cosmos3OmniTransformer

transformer = Cosmos3OmniTransformer.from_pretrained(
    "nvidia/Cosmos3-Nano", subfolder="transformer", dtype=torch.bfloat16
)
```

## Cosmos3OmniTransformer[[diffusers.Cosmos3OmniTransformer]]

#### diffusers.Cosmos3OmniTransformer[[diffusers.Cosmos3OmniTransformer]]

```python
diffusers.Cosmos3OmniTransformer(attention_bias: bool = False, attention_dropout: float = 0.0, dtype: str = 'bfloat16', head_dim: int = 128, hidden_size: int = 4096, intermediate_size: int = 12288, base_fps: int = 24, enable_fps_modulation: bool = True, latent_channel: int = 48, unified_3d_mrope_reset_spatial_ids: bool = True, unified_3d_mrope_temporal_modality_margin: int = 15000, latent_patch_size: int = 2, num_attention_heads: int = 32, num_hidden_layers: int = 36, num_key_value_heads: int = 8, patch_latent_dim: int = 192, rms_norm_eps: float = 1e-06, rope_scaling: dict | None = None, rope_theta: float = 5000000.0, action_dim: int | None = None, action_gen: bool = False, num_embodiment_domains: int = 32, sound_dim: int | None = None, sound_gen: bool = False, sound_latent_fps: float = 25.0, timestep_scale: float = 0.001, vocab_size: int = 151936, hidden_act: str = 'silu', qk_norm_for_text: bool = True, use_und_k_norm_for_gen: bool = False, rope_axes_dim: tuple[int, int, int] | list[int] | None = None)
```

[Sumber](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cosmos3.py#L374)

#### forward[[diffusers.Cosmos3OmniTransformer.forward]]

```python
forward(input_ids: Tensor, text_indexes: Tensor, position_ids: Tensor, und_len: int, sequence_length: int, vision_tokens: list[torch.Tensor], vision_token_shapes: list[tuple[int, int, int]], vision_sequence_indexes: Tensor, vision_mse_loss_indexes: Tensor, vision_timesteps: Tensor, vision_noisy_frame_indexes: list[torch.Tensor], sound_tokens: list[torch.Tensor] | None = None, sound_token_shapes: list[tuple[int, int, int]] | None = None, sound_sequence_indexes: typing.Optional[torch.Tensor] = None, sound_mse_loss_indexes: typing.Optional[torch.Tensor] = None, sound_timesteps: typing.Optional[torch.Tensor] = None, sound_noisy_frame_indexes: list[torch.Tensor] | None = None, action_tokens: list[torch.Tensor] | None = None, action_token_shapes: list[tuple[int, int, int]] | None = None, action_sequence_indexes: typing.Optional[torch.Tensor] = None, action_mse_loss_indexes: typing.Optional[torch.Tensor] = None, action_timesteps: typing.Optional[torch.Tensor] = None, action_noisy_frame_indexes: list[torch.Tensor] | None = None, action_domain_ids: list[torch.Tensor] | None = None, return_dict: bool = True)
```

[Sumber](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cosmos3.py#L671)

**Parameter:**

input_ids : ID token teks yang ditempatkan di `text_indexes` dalam urutan gabungan.

text_indexes : Indeks token teks dalam urutan gabungan.

position_ids : `[3, sequence_length]` ID posisi mRoPE untuk urutan gabungan penuh.

und_len : Panjang prefix teks kausal (pemahaman); token generasi mengikuti.

sequence_length : Total panjang dari urutan yang dikemas secara bersama.

vision_tokens : Tensor laten visi per item sebelum patchify.

vision_token_shapes : Bentuk grid patch `(T, H, W)` per item visual.

vision_sequence_indexes : Indeks token visual dalam urutan gabungan.

vision_mse_loss_indexes : Indeks yang digunakan untuk membaca prediksi visual setelah backbone.

vision_timesteps : Langkah waktu difusi per-patch untuk token visual.

vision_noisy_frame_indexes : Indeks frame berisik per item visual.

sound_tokens : Tensor laten suara opsional sebelum pengemasan.

sound_token_shapes : Bentuk grid patch opsional untuk item suara.

sound_sequence_indexes : Indeks opsional dari token suara dalam urutan gabungan.

sound_mse_loss_indexes : Indeks opsional yang digunakan untuk membaca prediksi suara.

sound_timesteps : Langkah difusi per token opsional untuk suara.

sound_noisy_frame_indexes : Indeks frame berisik opsional per item suara.

action_tokens : Tensor laten aksi opsional sebelum pengemasan.

action_token_shapes : Bentuk grid patch opsional `(T, H, W)` per item aksi.

action_sequence_indexes : Indeks opsional dari token aksi dalam urutan gabungan.

action_mse_loss_indexes : Indeks opsional yang digunakan untuk membaca prediksi aksi setelah backbone.

action_timesteps : Langkah difusi per token opsional untuk token aksi.

action_noisy_frame_indexes : Indeks frame berisik opsional per item aksi.

action_domain_ids : ID domain per item opsional untuk memilih bobot kepala aksi.

return_dict : Apakah akan mengembalikan [*Cosmos3OmniTransformerOutput*] alih-alih tuple.

**Mengembalikan:**

A [*Cosmos3OmniTransformerOutput*] atau tuple dari daftar prediksi per modalitas. Modalitas opsional mengembalikan `None` saat inputnya diabaikan.

Jalankan langkah forward penuh untuk denoising-step.