Diffusers documentation
BriaFibo2Transformer2DModel
BriaFibo2Transformer2DModel
El transformer de flujo único de Bria para Fibo 2.0, construido sobre el bloque Z-Image. Su condicionamiento de texto proviene de Qwen3-VL de dos maneras: un re-muestreador Perceptor convierte los estados ocultos del codificador de texto en tokens de resumen que comparten el flujo con los tokens de imagen, y cinco bloques añaden una atención cruzada con puerta a su propio conjunto de capas de Qwen3-VL. Para editar, los latentes de las imágenes a editar se unen al flujo como tokens limpios, cada imagen en su propio plano RoPE.
BriaFibo2Transformer2DModel
clase diffusers.BriaFibo2Transformer2DModel
< source >( in_channels: int = 32patch_size: int = 2dim: int = 3584n_layers: int = 44n_refiner_layers: int = 2n_heads: int = 28norm_eps: float = 1e-05cap_feat_dim: int = 7680injection_layer_ids: tuple = (6, 14, 22, 30, 38)perceiver_num_layers: int = 2min_num_gist_tokens: int = 256max_num_gist_tokens: int = 512gist_step: int = 64gist_min_text_len: int = 256gist_max_text_len: int = 2048rope_theta: float = 256.0t_scale: float = 1000.0axes_dims: tuple = (32, 48, 48)axes_lens: tuple = (2048, 512, 512) )
forward
< source >( hidden_states: Tensortimestep: Tensorencoder_hidden_states: Tensorencoder_attention_mask: typing.Optional[torch.Tensor] = Nonecontext_latents: list[torch.Tensor] | None = Nonereturn_dict: bool = True ) → Transformer2DModelOutput or tuple
Parámetros
- hidden_states (
torch.Tensorde forma(batch_size, in_channels, height, width)) — Latentes normalizados del VAE de la imagen que se está generando. - timestep (
torch.Tensorde forma(batch_size,)) — Nivel de ruido en[0, 1]: 1 es ruido puro, 0 es una imagen limpia. - encoder_hidden_states (
torch.Tensorde forma(batch_size, 1 + len(injection_layer_ids), text_len, cap_feat_dim)) — Características del codificador de texto: primero el paquete del Perceiver y luego un paquete por bloque de inyección. - encoder_attention_mask (
torch.Tensorde forma(batch_size, text_len), opcional) — Máscara booleana de los tokens de texto reales, para un lote de prompts rellenados hasta la misma longitud. Déjalo comoNonecuando no se haya rellenado nada. - context_latents (
list[torch.Tensor], opcional) — Latentes normalizados de VAE de las imágenes a editar, un tensor de forma(batch_size, in_channels, height, width)por imagen, en orden. Cada imagen puede tener su propio tamaño. Sus tokens condicionan la generación como tokens limpios y no se predicen. - return_dict (
bool, por defectoTrue) — Si se debe devolver un Transformer2DModelOutput en lugar de una tupla.
Devuelve
Transformer2DModelOutput o tuple
La velocidad predicha, con la forma de
hidden_states. Si return_dict es False, una tupla cuyo primer elemento es ese tensor.