MiniMaxH3Scheduler

MiniMaxH3Scheduler 是 MiniMax-H3 所使用的 rectified-flow Euler 调度器（eta = 0），采用指数 sigma 偏移：sigma' = s * sigma / (1 + (s - 1) * sigma)。

MiniMax-H3 流水线注册了两个，因为在每个步骤的单次 transformer 调用中，视频和音频潜变量分别遵循两个不同的调度：其中 scheduler 承载视频调度（在发布的检查点中为 shift=12.0），audio_scheduler 承载音频调度（shift=3.0）。

MiniMaxH3Scheduler

class diffusers.MiniMaxH3Scheduler

< source >

( shift: float = 12.0stochastic_sampling: bool = Falseshift_provided_sigmas: bool | None = Noneeuler_update_form: str = 'blend' )

参数

shift (float，默认为 12.0) — 应用于 sigma 网格的指数偏移，sigma' = s*sigma / (1 + (s-1)*sigma)。发布的检查点中，视频潜变量使用 12.0，音频潜变量使用 3.0。
stochastic_sampling (bool，默认为 False) — 用重加噪更新替换 Euler 混合：先预测干净样本，再用新的噪声将其重加噪至下一个 sigma。少步 Pika H3 Flex 适配器是针对此更新进行训练的；基础检查点则不是。
shift_provided_sigmas (bool，可选) — 指定传递给 set_timesteps() 的显式 sigmas 是调度器会进行偏移的基础网格（类似于其 linspace 网格），还是应原样使用的完整调度。未设置时，将原样使用并发出弃用警告；在 0.44.0 版本中，默认值将变为 True。
euler_update_form (str，默认为 "blend") — Euler 更新的评估方式。"blend" 是 x_t / x0 的混合 x_next = r*x_t + (1 - r)*x0； "velocity" 是 x_next = x_t + (sigma - sigma_next) * v，以 float32 计算。两者是相同的更新，仅在 float32 舍入上存在差异；MiniMax-H3-Image 是使用 velocity 形式进行蒸馏的。

MiniMax-H3 所使用的、带有指数 sigma 偏移的 Rectified-flow Euler 调度器（eta = 0）。

index_for_timestep

< source >

( timestep: typing.Union[float, torch.Tensor] ) → int

参数

timestep (float 或 torch.Tensor) — 取自 self.timesteps 的值。由于调度在 t 上是严格递增的，因此匹配结果是唯一的。

返回值

int

timestep 的索引。

将时间步值映射到其在调度中的索引。

scale_noise

< source >

( sample: FloatTensortimestep: typing.Union[float, torch.FloatTensor]noise: FloatTensor ) → torch.FloatTensor

参数

sample (torch.FloatTensor) — 干净的样本 x_0。
timestep (float 或 torch.FloatTensor) — [0, 1] 中的目标时间；1 会原样返回 sample。
noise (torch.FloatTensor) — 要混合的噪声。

返回值

torch.FloatTensor

带噪声的样本。

MiniMax-H3 中 t 约定下的 Rectified-flow 前向过程：x_t = t*x_0 + (1 - t)*noise。

MiniMax-H3 使用此方法对其条件锚点添加噪声，其中 t 是 noise_aug 级别，而非调度表中的条目，因此 timestep 按字面值处理，不会在 self.timesteps 中进行查找。

set_begin_index

< source >

( begin_index: int = 0 )

参数

begin_index (int，默认为 0) — 调度器的起始索引。

设置调度器的起始索引。

set_shift

< source >

( shift: float )

参数

shift (float) — 用于下一个调度的指数偏移量。

覆盖已配置的 sigma shift；请在调用 set_timesteps() 之前调用。

MiniMax-H3 在每次请求中通过 flow_shift（视频）/ audio_flow_shift（音频）暴露此参数。

set_timesteps

< source >

( num_inference_steps: int | None = Nonedevice: typing.Union[str, torch.device, NoneType] = Nonesigmas: typing.Union[list[float], torch.Tensor, NoneType] = None )

参数

num_inference_steps (int, 可选) — sigma 网格点的数量，包含末尾的 0。当提供了 sigmas 时，此参数将被忽略。
device (str 或 torch.device，可选) — 调度张量被移动到的设备。网格本身始终在 CPU 上以 float32 构建，因此调度不依赖于加速器。
sigmas (list[float] 或 torch.Tensor，可选) — 一个显式的网格，严格递减并以 0.0 结尾。当 shift_provided_sigmas=True 时，它是 [0, 1] 区间内的基础网格，会像 linspace 网格一样经过 shift 变换；否则将按原样使用（已弃用的默认行为）。

构建 sigma / 时间步调度。

网格由 linspace(1, 0, num_inference_steps) 经过指数偏移生成，并合并相邻的重复值；或者直接使用显式的 sigmas，当设置了 shift_provided_sigmas 时同样会进行偏移。终端值 0 本身已包含在网格中——偏移将 0 精确映射为 0——因此该调度包含 num_inference_steps 个 sigmas，并驱动 num_inference_steps - 1 次模型评估，其结果通过 self.timesteps = 1 - sigmas[:-1] 暴露。

步骤

< source >

( model_output: FloatTensortimestep: typing.Union[float, torch.FloatTensor]sample: FloatTensorgenerator: typing.Optional[torch.Generator] = Nonereturn_dict: bool = True ) → MiniMaxH3SchedulerOutput or tuple

参数

model_output (torch.FloatTensor) — Transformer 在 timestep 处的速度预测。
timestep (float 或 torch.FloatTensor) — 当前时间步，是 self.timesteps 中的一个（因此 timestep == 1 - sigma）。
sample (torch.FloatTensor) — 当前样本 x_t。
generator (torch.Generator，可选) — 在使用 stochastic_sampling 时，用于生成新噪声的生成器；否则不使用。
return_dict (bool，默认为 True) — 是否返回 MiniMaxH3SchedulerOutput 而不是普通元组。

返回值

MiniMaxH3SchedulerOutput 或 tuple

下一步的样本。

执行一步欧拉（eta = 0）步骤，或执行一步带有 stochastic_sampling 的重新加噪步骤。

模型输出是一个数据向速度，因此去噪估计为 x0 = x_t + (1 - t) * v — 注意这里的 +，与通常的 flow-match 约定相反。随后的更新是混合 x_next = r*x_t + (1 - r)*x0，其中 r = sigma_next / sigma，对于半精度样本在 float32 中计算。使用 stochastic_sampling 时，更新为 x_next = (1 - sigma_next) * x0 + sigma_next * noise，噪声来自 generator，所有计算均在 float32 中进行，因此最后一步（sigma_next = 0）返回 x0。当 euler_update_form="velocity" 时，相同的 Euler 更新在 float32 中计算为 x_next = x_t + (sigma - sigma_next) * v。