Diffusers documentation
BriaFibo2Transformer2DModel
BriaFibo2Transformer2DModel
BriaのFibo 2.0の単一ストリームtransformerは、Z-Imageブロックを基盤として構築されています。テキスト条件付けはQwen3-VLから2つの方法で得られます。1つ目は、Perceiver resamplerがテキストエンコーダーの隠れ状態をgistトークンに変換し、それらが画像トークンと同一のストリームを共有することです。2つ目は、5つのブロックが、自身のQwen3-VLレイヤーのバンドルに対してゲート付きクロスアテンションを追加することです。編集を行う場合、編集対象の画像の潜在変数がクリーンなトークンとしてストリームに結合され、各画像は独自のRoPEプレーン上で処理されます。
BriaFibo2Transformer2DModel
class 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
パラメータ
- hidden_states (
torch.Tensor、形状(batch_size, in_channels, height, width)) — 生成対象の画像の正規化された VAE 潜在変数です。 - timestep (
torch.Tensor、shape(batch_size,)) —[0, 1]の範囲のノイズレベル: 1 が純粋なノイズ、0 がクリーンな画像です。 - encoder_hidden_states (
torch.Tensor、形状(batch_size, 1 + len(injection_layer_ids), text_len, cap_feat_dim)) — テキストエンコーダーの特徴量: Perceiver のバンドルが先頭に来て、その後、各インジェクションブロックごとに1つのバンドルが続きます。 - encoder_attention_mask (
torch.Tensor、shape(batch_size, text_len)、任意) — 同一長さにパディングされたプロンプトのバッチにおいて、実際のテキストトークンを示す Bool マスクです。パディングがない場合はNoneのままにしてください。 - context_latents (
list[torch.Tensor], 任意) — 編集対象の画像の正規化された VAE 潜在変数。画像ごとに(batch_size, in_channels, height, width)の形状を持つテンソルが、順序どおりに含まれます。各画像は独自のサイズを持つことができます。これらのトークンはクリーンなトークンとして生成を条件付け、予測の対象にはなりません。 - return_dict (
bool、デフォルトはTrue) — タプルではなくTransformer2DModelOutputを返すかどうか。
戻り値
Transformer2DModelOutput または tuple
hidden_states と同じ形状を持つ予測速度。return_dict が False の場合、そのテンソルを最初の要素とするタプル。