Diffusers documentation
BriaFibo2Transformer2DModel
BriaFibo2Transformer2DModel
O transformer de fluxo único do Bria Fibo 2.0, construído sobre o bloco Z-Image. Sua condicionamento de texto vem do Qwen3-VL de duas formas: um Perceiver resampler converte os estados ocultos do codificador de texto em tokens de resumo que compartilham o fluxo com os tokens de imagem, e cinco blocos adicionam uma atenção cruzada com gate ao seu próprio conjunto de camadas do Qwen3-VL. Para editar, os latentes das imagens a serem editadas entram no fluxo como tokens limpos, cada imagem em seu próprio plano RoPE.
BriaFibo2Transformer2DModel
classe 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
Parâmetros
- hidden_states (
torch.Tensorde forma(batch_size, in_channels, height, width)) — Latentes normalizados do VAE da imagem sendo gerada. - timestep (
torch.Tensorde forma(batch_size,)) — Nível de ruído em[0, 1]: 1 é ruído puro, 0 é uma imagem limpa. - encoder_hidden_states (
torch.Tensorde forma(batch_size, 1 + len(injection_layer_ids), text_len, cap_feat_dim)) — Recursos do codificador de texto: primeiro o pacote do Perceiver, seguido de um pacote por bloco de injeção. - encoder_attention_mask (
torch.Tensorde forma(batch_size, text_len), opcional) — Máscara booleana dos tokens de texto reais, para um lote de prompts preenchidos até o mesmo comprimento. Deixe comoNonequando nada for preenchido. - context_latents (
list[torch.Tensor], opcional) — Latentes normalizados do VAE das imagens a serem editadas, um tensor de forma(batch_size, in_channels, height, width)por imagem, em ordem. Cada imagem pode ter seu próprio tamanho. Seus tokens condicionam a geração como tokens limpos e não são previstos. - return_dict (
bool, padrãoTrue) — Se deve retornar um Transformer2DModelOutput em vez de uma tupla.
Retorna
Transformer2DModelOutput ou tuple
A velocidade prevista, com a forma de
hidden_states. Se return_dict for False, uma tupla cujo primeiro elemento é esse tensor.