# HeliosTransformer3DModel

Model Diffusion Transformer autogresif real-time 14B (mendukung T2V, I2V, dan V2V) untuk data video 3D dari [Helios](https://github.com/PKU-YuanGroup/Helios) diperkenalkan dalam [Helios: Real Real-Time Long Video Generation Model](https://huggingface.co/papers/2603.04379) oleh Peking University & ByteDance & lainnya.

Model dapat dimuat dengan potongan kode berikut.

```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')
```

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

**Parameter:**

patch_size (`tuple[int]`, defaultnya `(1, 2, 2)`) : dimensi patch 3D untuk embedding video (t_patch, h_patch, w_patch).

num_attention_heads (`int`, defaultnya `40`) : Panjang tetap untuk embedding teks.

attention_head_dim (`int`, defaultnya `128`) : Jumlah channel di setiap head.

in_channels (`int`, defaultnya `16`) : Jumlah channel pada input.

out_channels (`int`, defaultnya `16`) : Jumlah channel pada output.

text_dim (`int`, defaultnya `512`) : Dimensi input untuk embedding teks.

freq_dim (`int`, defaultnya `256`) : Dimensi untuk penanaman waktu sinusoidal.

ffn_dim (`int`, defaultnya `13824`) : Dimensi perantara dalam jaringan feed-forward.

num_layers (`int`, defaultnya `40`) : Jumlah lapisan blok transformer yang akan digunakan.

window_size (`tuple[int]`, defaultnya `(-1, -1)`) : Ukuran jendela untuk perhatian lokal (-1 menunjukkan perhatian global).

cross_attn_norm (`bool`, defaultnya `True`) : Aktifkan normalisasi cross-attention.

qk_norm (`bool`, defaultnya `True`) : Aktifkan normalisasi query/key.

eps (`float`, defaultnya `1e-6`) : Nilai epsilon untuk lapisan normalisasi.

add_img_emb (`bool`, defaultnya `False`) : Apakah akan menggunakan img_emb.

added_kv_proj_dim (`int`, *opsional*, defaultnya `None`) : Jumlah channel yang digunakan untuk proyeksi key dan value yang ditambahkan. Jika `None`, tidak ada proyeksi yang digunakan.

Model Transformer untuk data mirip video yang digunakan dalam model 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)
```

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

**Parameter:**

hidden_states (`torch.Tensor` dengan bentuk `(batch_size, num_channels, num_frames, height, width)`) : Input `hidden_states`.

timestep (`torch.LongTensor`) : Digunakan untuk menunjukkan langkah denoising.

encoder_hidden_states (`torch.Tensor` dengan bentuk `(batch_size, sequence_len, embed_dims)`) : Embedding kondisional (embedding yang dihitung dari kondisi input seperti prompt) yang akan digunakan.

indices_hidden_states (`torch.Tensor`, *opsional*) : Indeks frame untuk `hidden_states` yang digunakan untuk menghitung penanaman posisi rotasi.

indices_latents_history_short (`torch.Tensor`, *opsional*) : Indeks frame untuk latens riwayat pendek.

indices_latents_history_mid (`torch.Tensor`, *opsional*) : Indeks frame untuk latens riwayat tengah.

indices_latents_history_long (`torch.Tensor`, *opsional*) : Indeks frame untuk latens riwayat panjang.

latents_history_short (`torch.Tensor`, *opsional*) : Kondisioning latens riwayat pendek.

latents_history_mid (`torch.Tensor`, *opsional*) : Kondisi latens riwayat tengah.

latents_history_long (`torch.Tensor`, *opsional*) : Kondisi latens riwayat panjang.

return_dict (`bool`, *opsional*, defaultnya `True`) : Apakah akan mengembalikan `~models.transformer_2d.Transformer2DModelOutput` alih-alih tuple biasa.

attention_kwargs (`dict`, *opsional*) : Kamus kwargs yang jika ditentukan akan diteruskan ke `AttentionProcessor` seperti yang didefinisikan di bawah `self.processor` dalam [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

**Mengembalikan:**

Jika `return_dict` bernilai True, sebuah `~models.transformer_2d.Transformer2DModelOutput` akan dikembalikan, selain itu sebuah `tuple` di mana elemen pertama adalah tensor sampel.

Metode forward dari [HeliosTransformer3DModel](/docs/diffusers/main/id/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)
```

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

**Parameter:**

sample (`torch.Tensor` dengan bentuk `(batch_size, num_channels, height, width)` atau `(batch size, num_vector_embeds - 1, num_latent_pixels)` jika [Transformer2DModel](/docs/diffusers/main/id/api/models/transformer2d#diffusers.Transformer2DModel) bersifat diskrit) : Output hidden states yang dikondisikan pada input `encoder_hidden_states`. Jika diskrit, mengembalikan distribusi probabilitas untuk piksel laten yang tidak berisik.

Output dari [Transformer2DModel](/docs/diffusers/main/id/api/models/transformer2d#diffusers.Transformer2DModel).