#
# 根据 Apache 许可证 2.0 版本（“许可证”）授权
# 您只能在遵守许可证的情况下使用本文件。
# 您可以在以下位置获取许可证副本
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# 除非适用法律要求或双方书面同意，软件
# 根据许可证分发，本软件按“原样”
# 不附带任何明示或暗示的保证或条件。
# 请参阅许可证中关于权限的具体语言
# 许可证下的限制。-->

# Anima

Anima 是一个文本生成图像模型，它复用了 [CosmosTransformer3DModel](/docs/diffusers/v0.43.0/zh/api/models/cosmos_transformer3d#diffusers.CosmosTransformer3DModel)，并搭配 Qwen3 文本编码器、T5-token 文本条件器以及 [AutoencoderKLQwenImage](/docs/diffusers/v0.43.0/zh/api/models/autoencoderkl_qwenimage#diffusers.AutoencoderKLQwenImage) VAE。

```python
import torch
from diffusers import ModularPipeline

pipe = ModularPipeline.from_pretrained("circlestone-labs/Anima-Base-v1.0-Diffusers")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"

image = pipe(prompt="masterpiece, best quality, 1girl, solo, city lights").images[0]
```

## AnimaModularPipeline[[diffusers.AnimaModularPipeline]]

#### diffusers.AnimaModularPipeline[[diffusers.AnimaModularPipeline]]

```python
diffusers.AnimaModularPipeline(blocks: diffusers.modular_pipelines.modular_pipeline.ModularPipelineBlocks | None = None, pretrained_model_name_or_path: str | os.PathLike | None = None, components_manager: diffusers.modular_pipelines.components_manager.ComponentsManager | None = None, collection: str | None = None, workflow: str | None = None, modular_config_dict: dict[str, typing.Any] | None = None, config_dict: dict[str, typing.Any] | None = None, **kwargs)
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/modular_pipelines/anima/modular_pipeline.py#L19)

用于 Anima 的 ModularPipeline。

## AnimaAutoBlocks[[diffusers.AnimaAutoBlocks]]

#### diffusers.AnimaAutoBlocks[[diffusers.AnimaAutoBlocks]]

```python
diffusers.AnimaAutoBlocks()
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/modular_pipelines/anima/modular_blocks_anima.py#L312)

使用 Anima 的 Auto Modular 流水线，用于文本到图像和图像到图像的生成。

支持的工作流：
- `text2image`：需要 `prompt`
- `img2img`：需要 `image`、`prompt`

组件：text_encoder (`Qwen3Model`) tokenizer (`Qwen2Tokenizer`) t5_tokenizer (`T5Tokenizer`) guider (`ClassifierFreeGuidance`) vae (`AutoencoderKLQwenImage`) image_processor (`VaeImageProcessor`) text_conditioner (`AnimaTextConditioner`) transformer (`CosmosTransformer3DModel`) scheduler (`FlowMatchEulerDiscreteScheduler`)

输入：prompt (`str`)：用于引导图像生成的提示词或提示词列表。negative_prompt (`str`，*可选*)：用于排除的提示词或提示词列表，即不希望引导图像生成的内容。max_sequence_length (`int`，*可选*，默认为 512)：提示词编码的最大序列长度。image (`Image | list`，*可选*)：用于去噪的参考图像。可以是单张图像或图像列表。height (`int`，*可选*)：生成图像的高度（以像素为单位）。width (`int`，*可选*)：生成图像的宽度（以像素为单位）。generator (`Generator`，*可选*)：用于确定性生成的 Torch 生成器。num_images_per_prompt (`int`，*可选*，默认为 1)：每个提示词生成的图像数量。image_latents (`Tensor`，*可选*)：用于引导图像生成的图像潜在表示。可以从 vae_encoder 步骤生成。num_inference_steps (`int`)：去噪步骤数。sigmas (`list`，*可选*)：去噪过程的自定义 sigmas。strength (`float`，*可选*，默认为 0.9)：img2img/重绘的强度。latents (`Tensor`)：用于图像生成的预生成噪声潜在表示。**denoiser_input_fields (`None`，*可选*)：Anima 去噪器的条件模型输入。output_type (`str`，*可选*，默认为 pil)：输出格式：'pil'、'np'、'pt'。

输出：图像（`list`）：生成的图像。

## AnimaTextConditioner[[diffusers.AnimaTextConditioner]]

#### diffusers.AnimaTextConditioner[[diffusers.AnimaTextConditioner]]

```python
diffusers.AnimaTextConditioner(source_dim: int = 1024, target_dim: int = 1024, model_dim: int = 1024, num_layers: int = 6, num_attention_heads: int = 16, mlp_ratio: float = 4.0, target_vocab_size: int = 32128, use_self_attention: bool = True, use_layer_norm: bool = False, min_sequence_length: int = 512)
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/condition_embedders/condition_embedder_anima.py#L229)

Anima 使用的文本条件器，用于将 Qwen3 隐藏状态和 T5 token id 映射到 Cosmos 文本嵌入。

Anima 复用了 Cosmos Predict2 DiT。唯一的模型特定条件模块是这个 LLM 适配器，它在扩散循环之前，从学习到的 T5 token 嵌入对 Qwen3 文本编码器的隐藏状态进行交叉注意力。`target_dim` 是条件器的输出维度，必须与 transformer 的 `text_embed_dim` 相匹配。

#### forward[[diffusers.AnimaTextConditioner.forward]]

```python
forward(source_hidden_states: Tensor, target_input_ids: Tensor, target_attention_mask: typing.Optional[torch.Tensor] = None, source_attention_mask: typing.Optional[torch.Tensor] = None)
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/condition_embedders/condition_embedder_anima.py#L285)

**参数：**

source_hidden_states (`torch.Tensor`，形状为 `(batch_size, source_sequence_length, source_dim)`)：用于条件化的 Qwen3 文本编码器隐藏状态。

target_input_ids (`torch.Tensor`，形状为 `(batch_size, target_sequence_length)`)：用作学习查询 token 的 T5 token id。

target_attention_mask (`torch.Tensor`, *可选*) : 用于目标 T5 token ids 的注意力掩码。

source_attention_mask (`torch.Tensor`, *可选*) : 源 Qwen3 隐藏状态的注意力掩码。

**返回：** `torch.Tensor`

Cosmos 变换器的文本条件嵌入。