# QwenImage21Transformer2DModel

Однопоточный трансформер, используемый в Qwen-Image 2.1. Латенты текста и изображения разделяют одну последовательность, а единая общая проекция `modulation` питает каждый блок.

Два поведения отличают трансформеры QwenImage 2.1 от более ранних версий:

- **Блочное каузальное внимание** — внимание следует правилу `(q_idx >= kv_idx) or same_image_block`, поэтому совместная последовательность является каузальной, а каждый блок изображений остаётся внутренне двунаправленным. `QwenImage21AttnProcessor` реализует это как один вызов внимания на каждый префиксный сегмент и является вариантом по умолчанию. `QwenImage21FlexAttnProcessor` реализует это как единый вызов `flex_attention`, управляемый `BlockMask`, что быстрее после компиляции модели. Оба дают одинаковые результаты.
- `causal_condition` — токены текста и условного изображения модулируются из `t = 0`, а не из сэмплированного шага времени. Их активации не зависят от шага денойзинга, поэтому ключи и значения этого префикса можно кэшировать между шагами через аргумент `kv_cache`.

Загрузите его с помощью:

```python
import torch
from diffusers import QwenImage21Transformer2DModel

transformer = QwenImage21Transformer2DModel.from_pretrained(
    "Qwen/Qwen-Image-2.1", subfolder="transformer", dtype=torch.bfloat16
)
```

## QwenImage21Transformer2DModel[[diffusers.QwenImage21Transformer2DModel]]

#### diffusers.QwenImage21Transformer2DModel[[diffusers.QwenImage21Transformer2DModel]]

```python
diffusers.QwenImage21Transformer2DModel(patch_size: int = 1, in_channels: int = 64, out_channels: int | None = 64, num_layers: int = 32, attention_head_dim: int = 128, num_attention_heads: int = 32, context_in_dim: int = 4096, mlp_ratio: int = 3, axes_dims_rope: tuple = (16, 56, 56), eps: float = 1e-06, causal_condition: bool = True)
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage21.py#L716)

**Параметры:**

patch_size (`int`, по умолчанию `1`) : Длина стороны латентного патча, свёрнутого в размерность каналов. Версия 2.1 потребляет латенты без патчинга.

in_channels (`int`, по умолчанию `64`) : Количество латентных каналов на входе.

out_channels (`int`, *необязательный*, по умолчанию `64`) : Количество каналов латентов в выходных данных. Если не указано, используется значение `in_channels`.

num_layers (`int`, по умолчанию `32`) : Количество однопоточных блоков.

attention_head_dim (`int`, по умолчанию `128`) : Количество каналов на голову внимания.

num_attention_heads (`int`, по умолчанию `32`) : Количество головок внимания.

context_in_dim (`int`, по умолчанию `4096`) : Размерность канала `encoder_hidden_states`.

mlp_ratio (`int`, по умолчанию `3`) : Коэффициент расширения feed-forward слоя.

axes_dims_rope (`tuple[int]`, по умолчанию `(16, 56, 56)`) : Размерности для вращений по осям кадра, высоты и ширины.

eps (`float`, по умолчанию `1e-6`) : Значение epsilon для слоёв нормализации.

causal_condition (`bool`, по умолчанию `True`) : Модулировать токены текста и условного изображения начиная с `t = 0`. Обязательно для кэширования KV.

Однопоточный Transformer, используемый в Qwen-Image 2.1.

Латенты текста и изображения разделяют одну последовательность: токены изображения-условия подставляются в текстовый поток на те позиции, которые для них зарезервировал энкодер «зрение-язык», а токены целевого изображения добавляются в конец. Единая общая проекция `modulation` питает каждый блок, поэтому сами блоки не содержат собственных параметров модуляции.

Две особенности выделяют версию 2.1:

- **Блочное каузальное внимание** — внимание следует правилу `(q_idx >= kv_idx) or same_image_block`, поэтому последовательность является каузальной, а каждый блок изображения остаётся внутренне двунаправленным. Бэкенд внимания `flex` обеспечивает эффективное внимание в один проход; без него модель использует точный многопроходный prefill на основе SDPA, обрабатывая каждый блок отдельно.
- `causal_condition` — токены текста и условного изображения модулируются из `t = 0`, а не из сэмплированного временного шага, что также делает их активации независимыми от временного шага и позволяет кэшировать их между шагами денойзинга.

#### build_token_metadata[[diffusers.QwenImage21Transformer2DModel.build_token_metadata]]

```python
build_token_metadata(image_pad_mask: Tensor, img_shapes: list)
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage21.py#L822)

**Параметры:**

image_pad_mask (`torch.Tensor`) : `(seq_len,)` bool, `True` в позициях токенов изображений.

img_shapes (`list[tuple[int, int, int]]`) : Для каждого изображения — `(frame, height, width)` в латентных токенах, где сначала идут условные изображения, а целевое изображение — последнее.

**Возвращает:** `tuple[torch.Tensor, torch.Tensor]`

`image_ids` `(seq_len,)` со значением `-1` в позициях текста и уникальным идентификатором для каждого блока изображения, а также `target_token_mask` `(seq_len,)`, отмечающая токены целевого изображения.

Пометьте каждый токен объединённой последовательности блоком изображения, которому он принадлежит.

Границы блоков определяются количеством токенов в `img_shapes`, а не последовательностями `True` в `image_pad_mask`: два условных изображения, которые случайно оказываются рядом без текста между ними, образуют одну последовательность, но должны оставаться отдельными блоками, иначе они будут обращаться друг к другу двунаправленно.

#### forward[[diffusers.QwenImage21Transformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: Tensor, img_shapes: list, img_mask: Tensor, encoder_hidden_states_mask: typing.Optional[torch.Tensor] = None, attention_kwargs: dict[str, typing.Any] | None = None, kv_cache: diffusers.models.transformers.transformer_qwenimage21.QwenImage21KVCache | None = None, kv_cache_mode: str | None = None, return_dict: bool = True)
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage21.py#L862)

**Параметры:**

hidden_states (`torch.Tensor` формы `(batch_size, image_sequence_length, in_channels)`) : Упакованные латенты, где сначала идут условные изображения, а целевое изображение — последнее.

encoder_hidden_states (`torch.Tensor` формы `(batch_size, text_sequence_length, context_in_dim)`) : Векторные представления текста из мультимодального энкодера.

timestep (`torch.Tensor`) : Текущий шаг денойзинга, масштабированный до `[0, 1]`.

img_shapes (`list[list[tuple[int, int, int]]]`) : Список по образцам `(frame, height, width)` в латентных токенах, где сначала идут изображения-условия, а последнее — целевое изображение. Все образцы должны иметь одинаковую структуру.

img_mask (`torch.Tensor` формы `(batch_size, vlm_sequence_length)`) : `True` в слотах изображений энкодера vision-language, каждый из которых соответствует группе `2x2` латентных токенов.

encoder_hidden_states_mask (`torch.Tensor`, *необязательный*) : `(batch_size, text_sequence_length)` bool, отмечающий валидные токены текста. Позиции с заполнением исключаются из внимания.

kv_cache (`QwenImage21KVCache`, *необязательный*) : Контейнер для кэша. Передавайте вместе с `kv_cache_mode`, чтобы включить префиксовое кэширование KV.

kv_cache_mode (`str`, *необязательный*) : `"extract"` для предварительного заполнения кэша (первый шаг денойзинга), `"cached"` для декодирования из него (последующие шаги). Требует `causal_condition=True`.

attention_kwargs (`dict`, *необязательный*) : Передаётся в обработчики внимания и содержит `scale` для слоёв LoRA.

return_dict (`bool`, *необязательный*, по умолчанию `True`) : Возвращать ли [Transformer2DModelOutput](/docs/diffusers/main/ru/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) вместо обычного кортежа.

**Возвращает:** [Transformer2DModelOutput](/docs/diffusers/main/ru/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) или `tuple`

[Transformer2DModelOutput](/docs/diffusers/main/ru/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput), если `return_dict` равно True, иначе обычный `tuple`, первым элементом которого являются денойзанные латенты.

## 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/main/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/main/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/main/ru/api/models/transformer2d#diffusers.Transformer2DModel).