# BriaFibo2Transformer2DModel

[Bria](https://huggingface.co/briaai) 的 Fibo 2.0 采用基于 Z-Image 块构建的单流 Transformer。其文本条件通过 Qwen3-VL 以两种方式引入：Perceiver 重采样器将文本编码器的隐藏状态转换为 gist tokens，使其与图像 tokens 共享同一数据流；此外，五个块在各自的 Qwen3-VL 层组中添加了门控交叉注意力机制。在执行编辑任务时，待编辑图像的潜变量作为干净 tokens 加入数据流，每张图像拥有独立的 RoPE 平面。

## BriaFibo2Transformer2DModel[[diffusers.BriaFibo2Transformer2DModel]]

#### diffusers.BriaFibo2Transformer2DModel[[diffusers.BriaFibo2Transformer2DModel]]

```python
diffusers.BriaFibo2Transformer2DModel(in_channels: int = 32, patch_size: int = 2, dim: int = 3584, n_layers: int = 44, n_refiner_layers: int = 2, n_heads: int = 28, norm_eps: float = 1e-05, cap_feat_dim: int = 7680, injection_layer_ids: tuple[int, ...] = (6, 14, 22, 30, 38), perceiver_num_layers: int = 2, min_num_gist_tokens: int = 256, max_num_gist_tokens: int = 512, gist_step: int = 64, gist_min_text_len: int = 256, gist_max_text_len: int = 2048, rope_theta: float = 256.0, t_scale: float = 1000.0, axes_dims: tuple[int, ...] = (32, 48, 48), axes_lens: tuple[int, ...] = (2048, 512, 512))
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_bria_fibo2.py#L430)

#### forward[[diffusers.BriaFibo2Transformer2DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, encoder_attention_mask: typing.Optional[torch.Tensor] = None, context_latents: list[torch.Tensor] | None = None, return_dict: bool = True)
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_bria_fibo2.py#L500)

**参数：**

hidden_states (`torch.Tensor`，形状为 `(batch_size, in_channels, height, width)`)：正在生成的图像的归一化 VAE 潜在表示。

timestep (`torch.Tensor`，形状为 `(batch_size,)`) : `[0, 1]` 范围内的噪声水平：1 表示纯噪声，0 表示干净图像。

encoder_hidden_states (`torch.Tensor`，形状为 `(batch_size, 1 + len(injection_layer_ids), text_len, cap_feat_dim)`)：文本编码器特征：首先是 Perceiver 的 bundle，然后是每个注入块对应的一个 bundle。

encoder_attention_mask (`torch.Tensor`，形状为 `(batch_size, text_len)`，*可选*)：真实文本 token 的布尔掩码，用于填充至相同长度的提示词批次。若未进行填充，请将其设为 `None`。

context_latents (`list[torch.Tensor]`, *可选*) : 待编辑图像的归一化 VAE 潜变量，按顺序为每张图像提供一个形状为 `(batch_size, in_channels, height, width)` 的张量。每张图像可以具有不同的尺寸。它们的 token 作为干净 token 为生成过程提供条件，且不会被预测。

return_dict (`bool`，默认为 `True`)：是否返回 [Transformer2DModelOutput](/docs/diffusers/v0.43.0/zh/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) 而不是元组。

**返回：** [Transformer2DModelOutput](/docs/diffusers/v0.43.0/zh/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) 或 `tuple`

预测速度，形状为 `hidden_states`。如果 `return_dict` 为 `False`，则返回一个元组，其第一个元素为该张量。