# Cosmos3OmniTransformer

Совместный зрительно-языковой трансформер Mixture-of-Transformer (MoT), представленный в рамках семейства мировых фундаментальных моделей Cosmos3 от NVIDIA. Модель выполняет два параллельных вычислительных потока по упакованной совместной последовательности:

- a **каузальный «понимающий» путь**, который выполняет само-внимание по текстовым токенам с каузальной маскировкой, и
- двунаправленный **«генеративный» путь**, который выполняет кросс-внимание от токенов генерации (визуальные + необязательные звуковые латенты) по полному набору ключей/значений, объединяющему понимание и генерацию.

Оба пути имеют одинаковый размер скрытого слоя и количество слоёв, но поддерживают **отдельные проекции Q/K/V/O, MLP и параметры RMSNorm**, что и делает архитектуру Mixture-of-Transformer, а не стандартной Mixture-of-Experts. Информация о позиции предоставляется через 3D мультимодальный RoPE (mRoPE), который чередует частоты по временной оси / высоте / ширине для латентов видео и повторно использует временную ось для текста и аудио.

Модель можно загрузить следующим образом.

```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)
```

[Источник](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)
```

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

**Параметры:**

input_ids : ID токенов текста, размещённые в `text_indexes` в объединённой последовательности.

text_indexes : Индексы токенов текста в объединённой последовательности.

position_ids : `[3, sequence_length]` идентификаторы позиций mRoPE для полной объединённой последовательности.

und_len : Длина префикса каузального текста (понимание); за ним следуют токены генерации.

sequence_length : Общая длина объединённой упакованной последовательности.

vision_tokens : тензоры визуальных латентов для каждого элемента перед patchify.

vision_token_shapes : Формы сеток патчей `(T, H, W)` для каждого элемента зрения.

vision_sequence_indexes : Индексы визуальных токенов в объединённой последовательности.

vision_mse_loss_indexes : Индексы, используемые для чтения предсказаний модуля зрения после базовой сети.

vision_timesteps : Шаги диффузии для каждого патча для визуальных токенов.

vision_noisy_frame_indexes : Индексы шумных кадров для каждого визуального элемента.

sound_tokens : Необязательные тензоры звуковых латентов до упаковки.

sound_token_shapes : Необязательные формы сетки патчей для звуковых элементов.

sound_sequence_indexes : Необязательные индексы звуковых токенов в объединённой последовательности.

sound_mse_loss_indexes : Необязательные индексы, используемые для чтения предсказаний звука.

sound_timesteps : Необязательные временные шаги диффузии для каждого токена звука.

sound_noisy_frame_indexes : Необязательные индексы шумных кадров для каждого звукового элемента.

action_tokens : Необязательные тензоры латентных переменных действия до упаковки.

action_token_shapes : Необязательные формы сетки патчей `(T, H, W)` для каждого элемента действия.

action_sequence_indexes : Необязательные индексы токенов действий в объединённой последовательности.

action_mse_loss_indexes : Необязательные индексы, используемые для чтения предсказаний действий после базовой сети.

action_timesteps : Необязательные временные шаги диффузии для токенов действий.

action_noisy_frame_indexes : Необязательные индексы шумных кадров для каждого элемента действия.

action_domain_ids : Необязательные идентификаторы доменов для каждого элемента, определяющие веса головок действий.

return_dict : Флаг, определяющий, следует ли возвращать [*Cosmos3OmniTransformerOutput*] вместо кортежа.

**Возвращает:**

Объект [*Cosmos3OmniTransformerOutput*] или кортеж списков предсказаний по каждой модальности. Необязательные модальности возвращают `None`, если их входные данные не переданы.

Выполните полный прямой проход на шаге денойзинга.