# QwenImage21Transformer2DModel

O transformer de fluxo único usado pelo Qwen-Image 2.1. Os latentes de texto e imagem compartilham uma única sequência, e uma única projeção de `modulation` compartilhada alimenta todos os blocos.

Dois comportamentos distinguem o 2.1 dos transformers QwenImage anteriores:

- **Atenção causal por bloco** — a atenção segue `(q_idx >= kv_idx) or same_image_block`, de modo que a sequência conjunta é causal, enquanto cada bloco de imagem permanece internamente bidirecional. `QwenImage21AttnProcessor` implementa isso como uma chamada de atenção por segmento de prefixo e é o padrão. `QwenImage21FlexAttnProcessor` implementa isso como uma única chamada de `flex_attention` dirigida por um `BlockMask`, o que é mais rápido uma vez que o modelo é compilado. Ambos produzem os mesmos resultados.
- `causal_condition` — os tokens de texto e da imagem de condição são modulados a partir de `t = 0`, em vez do timestep amostrado. Suas ativações são independentes do passo de desruido, de modo que as chaves e valores desse prefixo podem ser armazenados em cache entre os passos por meio do argumento `kv_cache`.

Carregue-o com:

```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)
```

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

**Parâmetros:**

patch_size (`int`, padrão `1`) : Comprimento do lado do patch latente dobrado na dimensão de canal. A versão 2.1 consome latentes sem patch.

in_channels (`int`, padrão `64`) : Canais latentes da entrada.

out_channels (`int`, *opcional*, padrão `64`) : Canais latentes da saída. Usa `in_channels` como padrão.

num_layers (`int`, padrão `32`) : Número de blocos de fluxo único.

attention_head_dim (`int`, padrão `128`) : Canais por cabeça de atenção.

num_attention_heads (`int`, padrão `32`) : Número de cabeças de atenção.

context_in_dim (`int`, padrão `4096`) : Dimensão do canal de `encoder_hidden_states`.

mlp_ratio (`int`, padrão `3`) : Fator de expansão do feed-forward.

axes_dims_rope (`tuple[int]`, padrão `(16, 56, 56)`) : Dimensões rotativas para os eixos de quadro, altura e largura.

eps (`float`, padrão `1e-6`) : Epsilon para as camadas de normalização.

causal_condition (`bool`, padrão `True`) : Modula os tokens de texto e de imagem de condição a partir de `t = 0`. Necessário para o cache de KV.

O Transformer de fluxo único usado pelo Qwen-Image 2.1.

Os latentes de texto e imagem compartilham uma única sequência: os tokens da imagem de condição são substituídos no fluxo de texto nas posições reservadas para eles pelo codificador de visão-linguagem, e os tokens da imagem de destino são anexados. Uma única projeção de `modulation` compartilhada alimenta todos os blocos, de modo que os blocos não possuem parâmetros de modulação próprios.

Dois comportamentos distinguem a 2.1:

- **Atenção causal por bloco** — a atenção segue `(q_idx >= kv_idx) or same_image_block`, de modo que a sequência é causal, enquanto cada bloco de imagem permanece internamente bidirecional. O backend de atenção `flex` oferece atenção eficiente em uma única passagem; sem ele, o modelo usa um prefill SDPA exato em múltiplas passagens que processa cada bloco separadamente.
- `causal_condition` — os tokens de texto e da imagem de condição são modulados a partir de `t = 0` em vez do timestep amostrado, o que também torna suas ativações independentes do timestep e, portanto, cacheáveis entre as etapas de desruidamento.

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

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

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

**Parâmetros:**

image_pad_mask (`torch.Tensor`) : `(seq_len,)` bool, `True` nas posições dos tokens de imagem.

img_shapes (`list[tuple[int, int, int]]`) : `(frame, height, width)` por imagem em tokens latentes, com as imagens de condição primeiro e a imagem de destino por último.

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

`image_ids` `(seq_len,)` com `-1` nas posições de texto e um id único por bloco de imagem, e `target_token_mask` `(seq_len,)` marcando os tokens da imagem alvo.

Etiquete cada token da sequência conjunta com o bloco de imagem ao qual ele pertence.

As fronteiras dos blocos vêm das contagens de tokens em `img_shapes`, não de sequências de `True` em `image_pad_mask`: duas imagens de condição que por acaso ficam uma ao lado da outra, sem texto entre elas, formam uma única sequência, mas devem permanecer como blocos separados; caso contrário, elas fariam atenção bidirecional entre si.

#### 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)
```

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

**Parâmetros:**

hidden_states (`torch.Tensor` de forma `(batch_size, image_sequence_length, in_channels)`) : Latentes empacotados, com as imagens de condição primeiro e a imagem de destino por último.

encoder_hidden_states (`torch.Tensor` de forma `(batch_size, text_sequence_length, context_in_dim)`) : Incorporações de texto do codificador de visão-linguagem.

timestep (`torch.Tensor`) : Etapa atual de remoção de ruído, escalada para `[0, 1]`.

img_shapes (`list[list[tuple[int, int, int]]]`) : Lista por amostra de `(frame, height, width)` em tokens latentes, com as imagens de condição primeiro e a imagem de destino por último. Todas as amostras devem compartilhar um layout.

img_mask (`torch.Tensor` de forma `(batch_size, vlm_sequence_length)`) : `True` nos slots de imagem do codificador de visão-linguagem, cada um representando um grupo de `2x2` tokens latentes.

encoder_hidden_states_mask (`torch.Tensor`, *opcional*) : `(batch_size, text_sequence_length)` bool que marca os tokens de texto válidos. As posições preenchidas (padded) são excluídas da atenção.

kv_cache (`QwenImage21KVCache`, *opcional*) : Contêiner de cache. Passe junto com `kv_cache_mode` para habilitar o cache de KV de prefixo.

kv_cache_mode (`str`, *opcional*) : `"extract"` para pré-preencher o cache (primeira etapa de desruidamento), `"cached"` para decodificar a partir dele (etapas posteriores). Exige `causal_condition=True`.

attention_kwargs (`dict`, *opcional*) : Encaminhado aos processadores de atenção e carrega `scale` para as camadas LoRA.

return_dict (`bool`, *opcional*, padrão `True`) : Se deve ou não retornar um [Transformer2DModelOutput](/docs/diffusers/main/pt/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) em vez de uma tupla simples.

**Retorna:** [Transformer2DModelOutput](/docs/diffusers/main/pt/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) ou `tuple`

[Transformer2DModelOutput](/docs/diffusers/main/pt/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) se `return_dict` for True, caso contrário, uma `tuple` simples cujo primeiro elemento são os latentes desruídos.

## 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)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)

**Parâmetros:**

sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` se [Transformer2DModel](/docs/diffusers/main/pt/api/models/transformer2d#diffusers.Transformer2DModel) for discreto) : A saída dos estados ocultos condicionada à entrada `encoder_hidden_states`. Se discreto, retorna distribuições de probabilidade para os pixels latentes sem ruído.

A saída de [Transformer2DModel](/docs/diffusers/main/pt/api/models/transformer2d#diffusers.Transformer2DModel).