Diffusers documentation
BriaFibo2Transformer2DModel
BriaFibo2Transformer2DModel
Transformer single-stream dari Fibo 2.0 milik Bria, dibangun di atas blok Z-Image. Kondisioning teksnya berasal dari Qwen3-VL melalui dua cara: Perceiver resampler mengubah hidden states dari text encoder menjadi gist tokens yang berbagi stream dengan image tokens, dan lima blok menambahkan gated cross-attention ke bundle lapisan Qwen3-VL mereka sendiri. Untuk melakukan edit, latents dari gambar yang akan diedit bergabung ke dalam stream sebagai clean tokens, dengan masing-masing gambar berada di bidang RoPE-nya sendiri.
BriaFibo2Transformer2DModel
kelas 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[int, ...] = (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[int, ...] = (32, 48, 48)axes_lens: tuple[int, ...] = (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
Parameter
- hidden_states (
torch.Tensordengan bentuk(batch_size, in_channels, height, width)) — Latent VAE ternormalisasi dari gambar yang sedang dibuat. - timestep (
torch.Tensordengan bentuk(batch_size,)) — Tingkat noise dalam[0, 1]: 1 adalah noise murni, 0 adalah gambar bersih. - encoder_hidden_states (
torch.Tensordengan bentuk(batch_size, 1 + len(injection_layer_ids), text_len, cap_feat_dim)) — Fitur encoder teks: bundle Perceiver terlebih dahulu, kemudian satu bundle per blok injeksi. - encoder_attention_mask (
torch.Tensordengan bentuk(batch_size, text_len), opsional) — Mask bool untuk token teks asli, untuk batch prompt yang di-pad hingga panjang yang sama. Biarkan sebagaiNonejika tidak ada yang di-pad. - context_latents (
list[torch.Tensor], opsional) — Latent VAE ternormalisasi dari gambar yang akan diedit, satu tensor dengan bentuk(batch_size, in_channels, height, width)per gambar, sesuai urutannya. Setiap gambar dapat memiliki ukuran sendiri. Token-token mereka mengondisikan generasi sebagai token bersih dan tidak diprediksi. - return_dict (
bool, defaultnyaTrue) — Apakah akan mengembalikan Transformer2DModelOutput alih-alih tuple.
Mengembalikan
Transformer2DModelOutput atau tuple
Kecepatan yang diprediksi, dengan bentuk
hidden_states. Jika return_dict adalah False, sebuah tuple yang elemen pertamanya adalah tensor tersebut.