# SanaWMTransformer3DModel

Um 3D Diffusion Transformer (1,6B parâmetros) para geração de imagem-para-vídeo controlada por câmera, usado como o amostrador da etapa 1 do [SanaWMPipeline](/docs/diffusers/v0.43.0/pt/api/pipelines/sana_wm#diffusers.SanaWMPipeline). O transformer combina:

* um ramo principal de atenção linear bidirecional GDN-Triton (profundidade 20, oculto 2240, 20 cabeças),
* a ramificação de controle de câmera UCPE (Unified Camera Pose Embedding) que consome uma representação raymap + Plücker da trajetória solicitada, e
* um incorporação de posição rotacional 3D no estilo Wan, além de blocos de atenção softmax periódicos injetados a cada `softmax_every_n` camadas.

O modelo pode ser carregado com:

```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')
```

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

**Parâmetros:**

in_channels (*int*, padrão 128) : canais latentes do VAE (LTX-2).

softmax_every_n (*int*, padrão 4) : Use um bloco de atenção softmax a cada N blocos.

linear_head_dim (*int*, padrão 112) : Dimensão da cabeça do GDN.

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

t_kernel_size (*int*, padrão 3) : Kernel da convolução temporal.

conv_kernel_size (*int*, padrão 4) : Kernel de convolução espacial dentro da atenção.

k_conv_only (*bool*, padrão True) : Aplique conv apenas em K.

pos_embed_type (*str*, padrão `"wan_rope"`) : Incorporação de posição.

qk_norm (*bool*, padrão True) : RMSNorm em Q/K.

cross_norm (*bool*, padrão True) : RMSNorm na K de atenção cruzada.

y_norm (*bool*, padrão True) : Aplica `attention_y_norm` aos embeddings de texto.

init_cam_from_base (*bool*, padrão True) : Não utilizado; o ramo da câmera é carregado do checkpoint. Mantido para que os arquivos *config.json* liberados sejam carregados.

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

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

chunk_plucker_post_attn_blocks (*int*, padrão 20) : Todos os blocos.

fp32_attention (*bool*, padrão True) : Não utilizado; a atenção sempre é executada em fp32. Mantido para que os arquivos *config.json* liberados sejam carregados.

image_size (*int*, padrão 720) : Tamanho nominal da imagem.

caption_channels (*int*, padrão 2304) : Tamanho oculto do Gemma-2.

SANA-WM 1600M DiT bidirecional controlado por câmera.

Um DiT de classe única (depth=20, hidden_size=2240, patch_size=(1,1,1), num_heads=20 — ou seja, a versão pública `Efficient-Large-Model/SANA-WM_bidirectional`). `save_pretrained` / `from_pretrained` funcionam imediatamente via [ConfigMixin](/docs/diffusers/v0.43.0/pt/api/configuration#diffusers.ConfigMixin).

Cada bloco executa uma atenção condicionada por câmera (UCPE): [*BidirectionalGDNUCPESinglePathLiteLA*], exceto a cada `softmax_every_n`-ésimo bloco, que executa seu equivalente de softmax [*_SoftmaxUCPESinglePathLiteLA*].

O state-dict é idêntico ao checkpoint público do sana, exceto pelo buffer `pos_embed` removido intencionalmente.

#### 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)
```

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

**Parâmetros:**

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

timestep : `(B, 1, T)` timesteps de difusão por quadro (estilo LTX).

encoder_hidden_states : `(B, 1, L, D_caption)` embeddings de texto.

encoder_attention_mask : `(B, L)` máscara de atenção do texto (convenção do diffusers).

mask : Alias para `encoder_attention_mask` correspondente ao nome do kwarg do DiT do sana. Se ambos forem passados, `mask` tem precedência.

return_dict : Se `True` (padrão), retorna um `Transformer2DModelOutput`; caso contrário, retorna uma tupla única `(sample,)`.

data_info : Condição extra; `data_info["image_vae_embeds"]` é concatenado aos latentes ao longo do eixo de canais quando presente.

camera_conditions : `(B, T, 20)` condições brutas da câmera que dirigem o ramo de controle de câmera (UCPE).

chunk_plucker : Incorporações de raios Plucker `(B, C, T, H, W)`, consumidas quando o modelo é configurado com `use_chunk_plucker_input` / `use_chunk_plucker_post_attn`.

cam_pos_embeds : Incorporações de posição de câmera pré-computadas opcionais (entradas `"absmap"` / `"P"`) reutilizadas em vez de recalculá-las.

pos_embeds : embeddings de posição rotativa pré-computados opcionais; quando `None`, eles são construídos a partir da forma do latente.

raymats : Matrizes de raios UCPE pré-computadas opcionais (usadas apenas quando `cam_pos_embeds` não carrega `"P"`).

frame_valid_mask : Máscara de validade opcional por quadro, com forma `(B, 1, T, 1, 1)`, `(B, 1, T)` ou `(B, T)`.

chunk_size : Substituição do comprimento do bloco encaminhada aos blocos; usa como padrão o `chunk_size` configurado de cada bloco.

**Retorna:**

`Transformer2DModelOutput` com `sample` de forma `(B, C, T, H, W)`.

Execute o SANA-WM DiT.

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

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

[Fonte](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)
```

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

**Parâmetros:**

sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` se [Transformer2DModel](/docs/diffusers/v0.43.0/pt/api/models/transformer2d#diffusers.Transformer2DModel) for discreto) : A saída dos estados ocultos condicionada à entrada `encoder_hidden_states`. Se discreto, retorna distribuições de probabilidade para os pixels latentes sem ruído.

A saída de [Transformer2DModel](/docs/diffusers/v0.43.0/pt/api/models/transformer2d#diffusers.Transformer2DModel).