# AnyFlowTransformer3DModel

Двунаправленный 3D-трансформер, используемый в [`AnyFlowPipeline`](../pipelines/anyflow#diffusers.AnyFlowPipeline). Это базовая архитектура Wan2.1 версии v0.35.1 с одним структурным изменением: эмбеддер временных шагов заменён на ``AnyFlowDualTimestepTextImageEmbedding``, поэтому каждый вызов forward использует в качестве условий и исходный временной шаг ``t``, и целевой временной шаг ``r``. Это эмбеддинг, необходимый для обучения отображению потока $\Phi_{r\leftarrow t}$, представленному в [AnyFlow](https://huggingface.co/papers/2605.13724). См. страницу [`AnyFlowPipeline`](../pipelines/anyflow) для информации о статье, авторах и опубликованных контрольных точках.

Для посегментной авто регрессивной генерации (FAR causal) используйте [`AnyFlowFARTransformer3DModel`](anyflow_far_transformer3d).

```python
from diffusers import AnyFlowTransformer3DModel

# Bidirectional AnyFlow checkpoint (T2V):
transformer = AnyFlowTransformer3DModel.from_pretrained(
    "nvidia/AnyFlow-Wan2.1-T2V-1.3B-Diffusers", subfolder="transformer"
)
```

## AnyFlowTransformer3DModel[[diffusers.AnyFlowTransformer3DModel]]

#### diffusers.AnyFlowTransformer3DModel[[diffusers.AnyFlowTransformer3DModel]]

```python
diffusers.AnyFlowTransformer3DModel(patch_size: typing.Tuple[int] = (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, eps: float = 1e-06, image_dim: typing.Optional[int] = None, rope_max_seq_len: int = 1024, gate_value: float = 0.25, deltatime_type: str = 'r')
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_anyflow.py#L507)

**Параметры:**

patch_size (*Tuple[int]*, по умолчанию *(1, 2, 2)*) : размеры 3D-патчей для встраивания видео (t_patch, h_patch, w_patch).

num_attention_heads (*int*, по умолчанию *40*) : Количество головок внимания.

attention_head_dim (*int*, по умолчанию *128*) : количество каналов в каждой голове.

in_channels (*int*, по умолчанию *16*) : Количество каналов во входном латентном представлении.

out_channels (*int*, по умолчанию *16*) : Количество каналов в выходном латентном представлении.

text_dim (*int*, по умолчанию *4096*) : Размерность входных данных для текстовых эмбеддингов (UMT5).

freq_dim (*int*, по умолчанию *256*) : Размерность для синусоидных временных эмбеддингов.

ffn_dim (*int*, по умолчанию *13824*) : Промежуточное измерение в полносвязной сети.

num_layers (*int*, по умолчанию *40*) : Количество блоков трансформера.

cross_attn_norm (*bool*, по умолчанию *True*) : Включает нормализацию кросс-внимания.

eps (*float*, по умолчанию *1e-6*) : Эпсилон для слоёв нормализации.

image_dim (*Optional[int]*, *optional*, по умолчанию *None*) : Размерность эмбеддинга изображения для условного формирования I2V (*1280* для исходной модели Wan2.1-I2V).

rope_max_seq_len (*int*, по умолчанию *1024*) : Максимальная длина последовательности, используемая для предварительного вычисления частот ротационных позиционных кодировок.

gate_value (*float*, по умолчанию *0.25*) : Смешивающий гейт между эмбеддингами исходного временного шага и дельта-шага (параметр \\(g\\) из статьи AnyFlow, зафиксированный на уровне 0.25 на этапе дистилляции первого порядка).

deltatime_type (*str*, по умолчанию *'r'*) : либо `"r"` (delta — целевой шаг), либо `"t-r"` (delta — абсолютный интервал).

Двунаправленный 3D-трансформер для выборки карт потоков AnyFlow.

Архитектура представляет собой базовый блок v0.35.1 Wan2.1 3D DiT с одним структурным изменением: встраиватель временного шага заменён на `AnyFlowDualTimestepTextImageEmbedding`, так что каждый вызов forward использует в качестве условия и исходный временной шаг `t`, и целевой временной шаг `r`. Это встраивание необходимо для обучения отображению потока \\(\Phi_{r\leftarrow t}\\), представленному в [AnyFlow](https://huggingface.co/papers/2605.13724).

Для покусочной авто регрессивной генерации (FAR causal) используйте `AnyFlowFARTransformer3DModel`; этот вариант добавляет блок-маску FAR causal и встраивание патчей сжатых кадров поверх того же бэкбона.

#### forward[[diffusers.AnyFlowTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: Tensor, r_timestep: Tensor, encoder_hidden_states: Tensor, encoder_hidden_states_image: typing.Optional[torch.Tensor] = None, attention_kwargs: typing.Optional[typing.Dict[str, typing.Any]] = None, return_dict: bool = True)
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_anyflow.py#L626)

**Параметры:**

hidden_states (*torch.Tensor* формы *(batch_size, num_frames, num_channels, height, width)*) : Входные латенты видео.

timestep (*torch.Tensor*) : исходный (более шумный) шаг временной шкалы flow-map *t*.

r_timestep (*torch.Tensor*) : целевой (более чистый) шаг временной шкалы flow-map *r*; определяет конечную точку шага flow-map.

encoder_hidden_states (*torch.Tensor* формы *(batch_size, sequence_len, embed_dims)*) : Встраивания текстового условия.

encoder_hidden_states_image (*torch.Tensor*, *optional*) : Встраивания для условного изображения; при наличии конкатенируются перед текстовыми токенами.

attention_kwargs (*dict*, *optional*) : Ключевые аргументы, передаваемые в *AttentionProcessor*, как определено в *self.processor* в [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

return_dict (*bool*, *optional*, по умолчанию *True*) : Возвращать ли [*~models.transformer_2d.Transformer2DModelOutput*] вместо обычного кортежа.

**Возвращает:**

[*~models.transformer_2d.Transformer2DModelOutput*], если *return_dict* равно True, иначе *tuple*, первым элементом которого является тензор предсказанной скорости.

Прямой проход двунаправленной flow-карты. `hidden_states` имеет форму `(B, F, C, H, W)` (латенты для каждого кадра). Вход преобразуется в патчи с помощью стандартного `patch_embedding` (размер ядра = шаг = `patch_size`) и очищается от шума с помощью глобального двунаправленного self-attention по получившейся плоской последовательности токенов.