# HeliosTransformer3DModel

Um modelo de 14B de Transformer de Difusão Autogerativa em Tempo Real (suporta T2V, I2V e V2V) para dados de vídeo 3D da [Helios](https://github.com/PKU-YuanGroup/Helios) foi introduzido em [Helios: Real Real-Time Long Video Generation Model](https://huggingface.co/papers/2603.04379) pela Universidade de Pequim & ByteDance & etc.

O modelo pode ser carregado com o seguinte trecho de código.

```python
from diffusers import HeliosTransformer3DModel

# Best Quality
transformer = HeliosTransformer3DModel.from_pretrained("BestWishYsh/Helios-Base", subfolder="transformer", dtype=torch.bfloat16)
# Intermediate Weight
transformer = HeliosTransformer3DModel.from_pretrained("BestWishYsh/Helios-Mid", subfolder="transformer", dtype=torch.bfloat16)
# Best Efficiency
transformer = HeliosTransformer3DModel.from_pretrained("BestWishYsh/Helios-Distilled", subfolder="transformer", dtype=torch.bfloat16)
```

## HeliosTransformer3DModel[[diffusers.HeliosTransformer3DModel]]

#### diffusers.HeliosTransformer3DModel[[diffusers.HeliosTransformer3DModel]]

```python
diffusers.HeliosTransformer3DModel(patch_size: tuple = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int = 16, out_channels: int = 16, text_dim: int = 4096, freq_dim: int = 256, ffn_dim: int = 13824, num_layers: int = 40, cross_attn_norm: bool = True, qk_norm: str | None = 'rms_norm_across_heads', eps: float = 1e-06, added_kv_proj_dim: int | None = None, rope_dim: tuple = (44, 42, 42), rope_theta: float = 10000.0, guidance_cross_attn: bool = True, zero_history_timestep: bool = True, has_multi_term_memory_patch: bool = True, is_amplify_history: bool = False, history_scale_mode: str = 'per_head')
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_helios.py#L501)

**Parâmetros:**

patch_size (`tuple[int]`, padrão `(1, 2, 2)`) : dimensões do patch 3D para incorporação de vídeo (t_patch, h_patch, w_patch).

num_attention_heads (`int`, padrão `40`) : Comprimento fixo para incorporações de texto.

attention_head_dim (`int`, padrão `128`) : O número de canais em cada head.

in_channels (`int`, padrão `16`) : O número de canais na entrada.

out_channels (`int`, padrão `16`) : O número de canais na saída.

text_dim (`int`, padrão `512`) : Dimensão de entrada para embeddings de texto.

freq_dim (`int`, padrão `256`) : Dimensão para embeddings de tempo sinusoidais.

ffn_dim (`int`, padrão `13824`) : Dimensão intermediária na rede feed-forward.

num_layers (`int`, padrão `40`) : O número de blocos de transformador a serem usados.

window_size (`tuple[int]`, padrão `(-1, -1)`) : Tamanho da janela para atenção local (-1 indica atenção global).

cross_attn_norm (`bool`, padrão `True`) : Ativa a normalização de atenção cruzada.

qk_norm (`bool`, padrão `True`) : Ativa a normalização de query/key.

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

add_img_emb (`bool`, padrão `False`) : Se deve usar img_emb.

added_kv_proj_dim (`int`, *opcional*, padrão `None`) : O número de canais a serem usados para as projeções de chave e valor adicionadas. Se `None`, nenhuma projeção é usada.

Um modelo Transformer para dados semelhantes a vídeo usado no modelo Helios.

#### forward[[diffusers.HeliosTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: LongTensor, encoder_hidden_states: Tensor, indices_hidden_states = None, indices_latents_history_short = None, indices_latents_history_mid = None, indices_latents_history_long = None, latents_history_short = None, latents_history_mid = None, latents_history_long = None, return_dict: bool = True, attention_kwargs: dict[str, typing.Any] | None = None)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_helios.py#L661)

**Parâmetros:**

hidden_states (`torch.Tensor` de forma `(batch_size, num_channels, num_frames, height, width)`) : `hidden_states` de entrada.

timestep (`torch.LongTensor`) : Usado para indicar o passo de desruidamento.

encoder_hidden_states (`torch.Tensor` de forma `(batch_size, sequence_len, embed_dims)`) : Embeddings condicionais (embeddings calculados a partir das condições de entrada, como prompts) a serem usados.

indices_hidden_states (`torch.Tensor`, *opcional*) : Índices dos quadros para `hidden_states` usados para calcular os embeddings posicionais rotativos.

indices_latents_history_short (`torch.Tensor`, *opcional*) : Índices dos quadros para os latentes do histórico curto.

indices_latents_history_mid (`torch.Tensor`, *opcional*) : Índices de quadros para os latentes do histórico intermediário.

indices_latents_history_long (`torch.Tensor`, *opcional*) : Índices dos quadros para os latentes de histórico longo.

latents_history_short (`torch.Tensor`, *opcional*) : Condição de latentes de histórico curto.

latents_history_mid (`torch.Tensor`, *opcional*) : Condição de latentes do histórico intermediário.

latents_history_long (`torch.Tensor`, *opcional*) : Condição de latentes de histórico longo.

return_dict (`bool`, *opcional*, padrão `True`) : Indica se deve retornar um `~models.transformer_2d.Transformer2DModelOutput` em vez de uma tupla simples.

attention_kwargs (`dict`, *opcional*) : Um dicionário de kwargs que, se especificado, é passado para o `AttentionProcessor` conforme definido em `self.processor` em [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

**Retorna:**

Se `return_dict` for True, um `~models.transformer_2d.Transformer2DModelOutput` é retornado; caso contrário, uma `tuple` onde o primeiro elemento é o tensor da amostra.

O método forward do [HeliosTransformer3DModel](/docs/diffusers/main/pt/api/models/helios_transformer3d#diffusers.HeliosTransformer3DModel).

## 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).