# MiniMaxMusic3Transformer1DModel

O Diffusion Transformer de flow-matching de 2,4B do [MiniMax Music 3](https://huggingface.co/MiniMaxAI/MiniMax-Music3). Ele remove o ruído dos latentes de áudio Flow-VAE de 128 canais, condicionados nos estados ocultos por quadro da etapa de modelo de linguagem autoregressivo do modelo, adicionando o timestep de flow-matching como um token de sequência extra (um transformer contínuo da linhagem Stable-Audio com atenção rotacional parcial e feedforwards GLU).

## MiniMaxMusic3Transformer1DModel[[diffusers.MiniMaxMusic3Transformer1DModel]]

#### diffusers.MiniMaxMusic3Transformer1DModel[[diffusers.MiniMaxMusic3Transformer1DModel]]

```python
diffusers.MiniMaxMusic3Transformer1DModel(in_channels: int = 128, condition_dim: int = 2048, num_layers: int = 36, num_attention_heads: int = 32, attention_head_dim: int = 64, ff_inner_dim: int = 8192, rotary_dim: int = 32, fourier_embedding_dim: int = 256)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_minimax_music3.py#L147)

O transformer de difusão com flow-matching do MiniMax Music 3. Ele remove o ruído dos latentes de áudio do Flow-VAE, condicionado aos estados ocultos por quadro produzidos pela etapa de modelo de linguagem autoregressivo.

As entradas são sequências latentes 1D de forma `(batch, in_channels, length)`. O sinal de condicionamento (`encoder_hidden_states`, forma `(batch, length, condition_dim)`) já deve estar alinhado à linha do tempo latente — veja `MiniMaxMusic3ConditionEncoder`. O `timestep` de flow-matching varia de 0 (ruído) a 1 (dados).

#### forward[[diffusers.MiniMaxMusic3Transformer1DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, return_dict: bool = True)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_minimax_music3.py#L196)

**Parâmetros:**

hidden_states (`torch.Tensor` de forma `(batch, in_channels, length)`) : Latentes do Flow-VAE com ruído.

timestep (`torch.Tensor` de forma `(batch,)`) : Tempo de flow-matching em `[0, 1]`, onde 0 é ruído puro e 1 é dados.

encoder_hidden_states (`torch.Tensor` de forma `(batch, length, condition_dim)`) : Condição alinhada por quadro do `MiniMaxMusic3ConditionEncoder`. Passe zeros para o ramo incondicional da orientação livre de classificador.

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

**Retorna:**

A velocidade de flow-matching prevista com a mesma forma que `hidden_states`.