# SanaWMTransformer3DModel

Diffusion Transformer 3D (1,6 miliar parameter) untuk generasi gambar-ke-video dengan kontrol kamera, digunakan sebagai sampler tahap-1 dari [SanaWMPipeline](/docs/diffusers/v0.43.0/id/api/pipelines/sana_wm#diffusers.SanaWMPipeline). Transformer ini menggabungkan:

* cabang utama perhatian linear GDN-Triton bidireksional (kedalaman 20, tersembunyi 2240, 20 kepala),
* cabang kontrol kamera UCPE (Unified Camera Pose Embedding) yang mengonsumsi representasi raymap + Plücker dari lintasan yang diminta, dan
* embedding posisi rotasi 3D bergaya Wan ditambah blok softmax-attention periodik yang disuntikkan setiap `softmax_every_n` lapisan.

Model dapat dimuat dengan:

```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')
```

[Sumber](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_sana_wm.py#L2663)

**Parameter:**

in_channels (*int*, default 128) : saluran laten VAE (LTX-2).

softmax_every_n (*int*, defaultnya 4) : Gunakan blok perhatian softmax setiap N blok.

linear_head_dim (*int*, defaultnya 112) : Dimensi head GDN.

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

t_kernel_size (*int*, defaultnya 3) : Kernel konvolusi temporal.

conv_kernel_size (*int*, default 4) : Inti konvolusi spasial di dalam perhatian.

k_conv_only (*bool*, defaultnya True) : Terapkan conv hanya pada K.

pos_embed_type (*str*, defaultnya `"wan_rope"`) : Embedding posisi.

qk_norm (*bool*, defaultnya True) : RMSNorm pada Q/K.

cross_norm (*bool*, defaultnya True) : RMSNorm pada K cross-attention.

y_norm (*bool*, defaultnya True) : Terapkan `attention_y_norm` ke embedding teks.

init_cam_from_base (*bool*, defaultnya True) : Tidak digunakan; cabang kamera dimuat dari checkpoint. Dipertahankan agar file *config.json* yang dirilis dapat dimuat.

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

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

chunk_plucker_post_attn_blocks (*int*, defaultnya 20) : Semua blok.

fp32_attention (*bool*, defaultnya True) : Tidak digunakan; attention selalu berjalan dalam fp32. Dipertahankan agar file *config.json* yang dirilis dapat dimuat.

image_size (*int*, defaultnya 720) : Ukuran nominal gambar.

caption_channels (*int*, defaultnya 2304) : Ukuran tersembunyi Gemma-2.

SANA-WM 1600M DiT bidireksional yang dikendalikan kamera.

DiT satu kelas (depth=20, hidden_size=2240, patch_size=(1,1,1), num_heads=20 — yaitu rilis publik `Efficient-Large-Model/SANA-WM_bidirectional`). `save_pretrained` / `from_pretrained` berfungsi langsung melalui [ConfigMixin](/docs/diffusers/v0.43.0/id/api/configuration#diffusers.ConfigMixin).

Setiap blok menjalankan perhatian yang dikondisikan kamera (UCPE): [*BidirectionalGDNUCPESinglePathLiteLA*], kecuali setiap blok ke-`softmax_every_n` yang menjalankan padanan softmax-nya [*_SoftmaxUCPESinglePathLiteLA*].

State-dict identik dengan checkpoint sana publik, kecuali buffer `pos_embed` yang sengaja dihapus.

#### 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)
```

[Sumber](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_sana_wm.py#L2896)

**Parameter:**

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

timestep : `(B, 1, T)` timestep difusi per-frame (gaya LTX).

encoder_hidden_states : `(B, 1, L, D_caption)` embedding teks.

encoder_attention_mask : `(B, L)` mask perhatian teks (konvensi diffusers).

mask : Alias untuk `encoder_attention_mask` yang sesuai dengan nama kwarg DiT sana. Jika keduanya diteruskan, `mask` yang diprioritaskan.

return_dict : Jika `True` (default), mengembalikan `Transformer2DModelOutput`; selain itu, mengembalikan satu-tuple `(sample,)`.

data_info : Kondisioning tambahan; `data_info["image_vae_embeds"]` digabungkan ke latents sepanjang sumbu channel jika ada.

camera_conditions : `(B, T, 20)` kondisi kamera mentah yang menggerakkan cabang kontrol kamera (UCPE).

chunk_plucker : Plucker ray embeddings `(B, C, T, H, W)`, digunakan ketika model dikonfigurasi dengan `use_chunk_plucker_input` / `use_chunk_plucker_post_attn`.

cam_pos_embeds : Embedding posisi kamera yang sudah dihitung sebelumnya (entri `"absmap"` / `"P"`) yang digunakan kembali alih-alih dihitung ulang.

pos_embeds : Pre-computed rotary position embeddings opsional; ketika `None`, mereka dibangun dari bentuk laten.

raymats : Matriks sinar UCPE yang sudah dihitung sebelumnya (hanya digunakan ketika `cam_pos_embeds` tidak membawa `"P"`).

frame_valid_mask : Mask validitas per-frame opsional, berbentuk `(B, 1, T, 1, 1)`, `(B, 1, T)` atau `(B, T)`.

chunk_size : Override panjang chunk diteruskan ke blok; kembali ke `chunk_size` yang dikonfigurasi untuk masing-masing blok.

**Mengembalikan:**

`Transformer2DModelOutput` dengan `sample` berbentuk `(B, C, T, H, W)`.

Jalankan SANA-WM DiT.

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

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

[Sumber](https://github.com/huggingface/diffusers/blob/v0.43.0/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)
```

[Sumber](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/modeling_outputs.py#L21)

**Parameter:**

sample (`torch.Tensor` dengan bentuk `(batch_size, num_channels, height, width)` atau `(batch size, num_vector_embeds - 1, num_latent_pixels)` jika [Transformer2DModel](/docs/diffusers/v0.43.0/id/api/models/transformer2d#diffusers.Transformer2DModel) bersifat diskrit) : Output hidden states yang dikondisikan pada input `encoder_hidden_states`. Jika diskrit, mengembalikan distribusi probabilitas untuk piksel laten yang tidak berisik.

Output dari [Transformer2DModel](/docs/diffusers/v0.43.0/id/api/models/transformer2d#diffusers.Transformer2DModel).