# SanaWMTransformer3DModel

3D-диффузионный трансформер (1,6 млрд параметров) для генерации видео из изображения с управлением камерой, используемый в качестве сэмплера первого этапа в [SanaWMPipeline](/docs/diffusers/v0.43.0/ru/api/pipelines/sana_wm#diffusers.SanaWMPipeline). Трансформер объединяет:

* двунаправленная основная ветвь линейного внимания GDN-Triton (глубина 20, скрытое пространство 2240, 20 головок),
* ветвь управления камерой UCPE (Unified Camera Pose Embedding), которая принимает raymap и представление Пюккера для запрошенной траектории, и
* 3D-вращательное позиционное встраивание в стиле Wan плюс блоки периодического softmax-внимания, вставляемые каждые `softmax_every_n` слои.

Модель можно загрузить с помощью:

```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')
```

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

**Параметры:**

in_channels (*int*, по умолчанию 128) : количество каналов латентного пространства VAE (LTX-2).

softmax_every_n (*int*, по умолчанию 4) : Использовать блок softmax-внимания каждые N блоков.

linear_head_dim (*int*, по умолчанию 112) : размерность головы GDN.

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

t_kernel_size (*int*, по умолчанию 3) : Ядро временной свёртки.

conv_kernel_size (*int*, по умолчанию 4) : Пространственное ядро свёртки внутри внимания.

k_conv_only (*bool*, по умолчанию True) : Применять свёртку только к K.

pos_embed_type (*str*, по умолчанию `"wan_rope"`) : Встраивание позиции.

qk_norm (*bool*, по умолчанию True) : RMSNorm для Q/K.

cross_norm (*bool*, по умолчанию True) : RMSNorm для K в кросс-внимании.

y_norm (*bool*, по умолчанию True) : Применять `attention_y_norm` к текстовым эмбеддингам.

init_cam_from_base (*bool*, по умолчанию True) : Не используется; ветка камеры загружается из контрольной точки. Оставлено для совместимости с ранее выпущенными файлами *config.json*.

use_chunk_plucker_post_attn (*bool*, по умолчанию True). --

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

chunk_plucker_post_attn_blocks (*int*, по умолчанию 20) : Все блоки.

fp32_attention (*bool*, по умолчанию True) : Не используется; внимание всегда выполняется в fp32. Оставлено для корректной загрузки выпущенных файлов *config.json*.

image_size (*int*, по умолчанию 720) : Номинальный размер изображения.

caption_channels (*int*, по умолчанию 2304) : размер скрытого слоя Gemma-2.

SANA-WM 1600M — двунаправленный DiT с управлением камерой.

Одноклассная DiT (depth=20, hidden_size=2240, patch_size=(1,1,1), num_heads=20 — то есть публичный релиз `Efficient-Large-Model/SANA-WM_bidirectional`). `save_pretrained` / `from_pretrained` работают из коробки благодаря [ConfigMixin](/docs/diffusers/v0.43.0/ru/api/configuration#diffusers.ConfigMixin).

Каждый блок выполняет внимание с условием камеры (UCPE): [*BidirectionalGDNUCPESinglePathLiteLA*], за исключением каждого `softmax_every_n`-го блока, который выполняет его softmax-аналог [*_SoftmaxUCPESinglePathLiteLA*].

Файл state-dict идентичен публичному чекпоинту sana, за исключением намеренно удалённого буфера `pos_embed`.

#### 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)
```

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

**Параметры:**

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

timestep : `(B, 1, T)` временные шаги диффузии для каждого кадра (стиль LTX).

encoder_hidden_states : `(B, 1, L, D_caption)` текстовые эмбеддинги.

encoder_attention_mask : `(B, L)` маска внимания для текста (конвенция diffusers).

mask : Псевдоним для `encoder_attention_mask`, соответствующий имени аргумента sana DiT. Если переданы оба, `mask` имеет приоритет.

return_dict : Если `True` (по умолчанию), возвращает `Transformer2DModelOutput`; в противном случае возвращает кортеж из одного элемента `(sample,)`.

data_info : Дополнительное условие; `data_info["image_vae_embeds"]` конкатенируется с латентами по оси каналов, если присутствует.

camera_conditions : `(B, T, 20)` исходные условия камеры, управляющие ветвью управления камерой (UCPE).

chunk_plucker : Вложения лучей Plucker `(B, C, T, H, W)`, используются, когда модель настроена с `use_chunk_plucker_input` / `use_chunk_plucker_post_attn`.

cam_pos_embeds : Необязательные предварительно вычисленные эмбеддинги позиционных координат камеры (записи `"absmap"` / `"P"`), которые переиспользуются вместо повторного вычисления.

pos_embeds : необязательные предварительно вычисленные вращательные позиционные эмбеддинги; если `None`, они создаются на основе формы латентов.

raymats : Необязательные предварительно вычисленные матрицы лучей UCPE (используются только в том случае, если `cam_pos_embeds` не содержит `"P"`).

frame_valid_mask : Необязательная маска валидности для каждого кадра, с формой `(B, 1, T, 1, 1)`, `(B, 1, T)` или `(B, T)`.

chunk_size : Переопределение длины фрагмента, передаваемое в блоки; при отсутствии используется настроенный для каждого блока `chunk_size`.

**Возвращает:**

`Transformer2DModelOutput` с `sample` формы `(B, C, T, H, W)`.

Запустите SANA-WM DiT.

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

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

[Источник](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)
```

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

**Параметры:**

sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` или `(batch size, num_vector_embeds - 1, num_latent_pixels)`, если [Transformer2DModel](/docs/diffusers/v0.43.0/ru/api/models/transformer2d#diffusers.Transformer2DModel) дискретный): выходные скрытые состояния, обусловленные входом `encoder_hidden_states`. Если модель дискретная, возвращает распределения вероятностей для ненашумленных латентных пикселей.

Вывод [Transformer2DModel](/docs/diffusers/v0.43.0/ru/api/models/transformer2d#diffusers.Transformer2DModel).