# Cosmos3OmniTransformer

Um transformer de visão-linguagem conjunto Mixture-of-Transformer (MoT) introduzido como parte da família de modelos de fundação de mundo Cosmos3 da NVIDIA. O modelo executa dois caminhos de computação paralelos sobre uma sequência conjunta empacotada:

- um **caminho de "compreensão" causal** que aplica autoatenção sobre tokens de texto com mascaramento causal, e
- um **caminho de "geração" bidirecional** que realiza atenção cruzada a partir dos tokens de geração (latentes de visão + latentes opcionais de som) sobre o conjunto completo de chaves/valores de compreensão mais geração.

Os dois caminhos compartilham o mesmo tamanho oculto e número de camadas, mas mantêm **projeções Q/K/V/O, MLPs e parâmetros RMSNorm separados**, o que torna a arquitetura uma Mixture-of-Transformer em vez de uma Mixture-of-Experts padrão. A informação de posição é fornecida por um RoPE multimodal 3D (mRoPE) que intercala frequências de tempo / altura / largura para latentes de vídeo e reutiliza o eixo temporal para texto e áudio.

O modelo pode ser carregado da seguinte forma.

```python
import torch
from diffusers import Cosmos3OmniTransformer

transformer = Cosmos3OmniTransformer.from_pretrained(
    "nvidia/Cosmos3-Nano", subfolder="transformer", dtype=torch.bfloat16
)
```

## Cosmos3OmniTransformer[[diffusers.Cosmos3OmniTransformer]]

#### diffusers.Cosmos3OmniTransformer[[diffusers.Cosmos3OmniTransformer]]

```python
diffusers.Cosmos3OmniTransformer(attention_bias: bool = False, attention_dropout: float = 0.0, dtype: str = 'bfloat16', head_dim: int = 128, hidden_size: int = 4096, intermediate_size: int = 12288, base_fps: int = 24, enable_fps_modulation: bool = True, latent_channel: int = 48, unified_3d_mrope_reset_spatial_ids: bool = True, unified_3d_mrope_temporal_modality_margin: int = 15000, latent_patch_size: int = 2, num_attention_heads: int = 32, num_hidden_layers: int = 36, num_key_value_heads: int = 8, patch_latent_dim: int = 192, rms_norm_eps: float = 1e-06, rope_scaling: dict | None = None, rope_theta: float = 5000000.0, action_dim: int | None = None, action_gen: bool = False, num_embodiment_domains: int = 32, sound_dim: int | None = None, sound_gen: bool = False, sound_latent_fps: float = 25.0, timestep_scale: float = 0.001, vocab_size: int = 151936, hidden_act: str = 'silu', qk_norm_for_text: bool = True, use_und_k_norm_for_gen: bool = False, rope_axes_dim: tuple[int, int, int] | list[int] | None = None)
```

[Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cosmos3.py#L374)

#### forward[[diffusers.Cosmos3OmniTransformer.forward]]

```python
forward(input_ids: Tensor, text_indexes: Tensor, position_ids: Tensor, und_len: int, sequence_length: int, vision_tokens: list[torch.Tensor], vision_token_shapes: list[tuple[int, int, int]], vision_sequence_indexes: Tensor, vision_mse_loss_indexes: Tensor, vision_timesteps: Tensor, vision_noisy_frame_indexes: list[torch.Tensor], sound_tokens: list[torch.Tensor] | None = None, sound_token_shapes: list[tuple[int, int, int]] | None = None, sound_sequence_indexes: typing.Optional[torch.Tensor] = None, sound_mse_loss_indexes: typing.Optional[torch.Tensor] = None, sound_timesteps: typing.Optional[torch.Tensor] = None, sound_noisy_frame_indexes: list[torch.Tensor] | None = None, action_tokens: list[torch.Tensor] | None = None, action_token_shapes: list[tuple[int, int, int]] | None = None, action_sequence_indexes: typing.Optional[torch.Tensor] = None, action_mse_loss_indexes: typing.Optional[torch.Tensor] = None, action_timesteps: typing.Optional[torch.Tensor] = None, action_noisy_frame_indexes: list[torch.Tensor] | None = None, action_domain_ids: list[torch.Tensor] | None = None, return_dict: bool = True)
```

[Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cosmos3.py#L671)

**Parâmetros:**

input_ids : IDs de tokens de texto colocados em `text_indexes` na sequência conjunta.

text_indexes : Índices dos tokens de texto na sequência conjunta.

position_ids : `[3, sequence_length]` IDs de posição mRoPE para a sequência conjunta completa.

und_len : Comprimento do prefixo de texto causal (compreensão); os tokens de geração seguem.

sequence_length : Comprimento total da sequência empacotada conjunta.

vision_tokens : Tensores latentes de visão por item antes do patchify.

vision_token_shapes : Formas de grade de patches `(T, H, W)` por item de visão.

vision_sequence_indexes : Índices dos tokens de visão na sequência conjunta.

vision_mse_loss_indexes : Índices usados para ler as previsões visuais após o backbone.

vision_timesteps : Passos de difusão por patch para tokens de visão.

vision_noisy_frame_indexes : Índices de quadros ruidosos por item de visão.

sound_tokens : Tensores latentes de som opcionais antes do empacotamento.

sound_token_shapes : Formas de grade de patch opcionais para itens de som.

sound_sequence_indexes : Índices opcionais dos tokens de som na sequência conjunta.

sound_mse_loss_indexes : Índices opcionais usados para ler previsões de som.

sound_timesteps : Passos de difusão por token opcionais para som.

sound_noisy_frame_indexes : Índices opcionais de quadros ruidosos por item de som.

action_tokens : Tensores latentes de ação opcionais antes do empacotamento.

action_token_shapes : Formas de grade de patch opcionais `(T, H, W)` por item de ação.

action_sequence_indexes : Índices opcionais dos tokens de ação na sequência conjunta.

action_mse_loss_indexes : Índices opcionais usados para ler as previsões de ação após o backbone.

action_timesteps : Passos de difusão por token opcionais para tokens de ação.

action_noisy_frame_indexes : Índices opcionais de quadros ruidosos por item de ação.

action_domain_ids : IDs de domínio opcionais por item para selecionar os pesos da cabeça de ação.

return_dict : Se deve retornar um *Cosmos3OmniTransformerOutput* em vez de uma tupla.

**Retorna:**

Um [*Cosmos3OmniTransformerOutput*] ou uma tupla de listas de previsões por modalidade. As modalidades opcionais retornam `None` quando suas entradas são omitidas.

Execute uma passagem de propagação direta completa de um passo de desruidamento.