Entradas
Nota: El
clip_vision_output debe provenir de un modelo de visión CLIP que proporcione los estados ocultos completos y el penúltimo estado oculto. El nodo combina el vigésimo desde el final, el undécimo desde el final y el penúltimo estado oculto en el embedding de estilo. El model_patch debe exponer un modelo de proyección a través de su atributo model que convierta estas características de imagen en el embedding de estilo. Durante el muestreo, el embedding de estilo se antepone al condicionamiento de texto para que pueda influir en la generación, y los IDs de texto de posición cero coincidentes se anteponen a los IDs de texto para que la secuencia de identificadores permanezca alineada con el condicionamiento extendido.
Salidas
Esta documentación fue generada por IA. Si encuentra algún error o tiene sugerencias de mejora, ¡no dude en contribuir! Editar en GitHub
Source fingerprint (SHA-256):
9033dddb76fafb388c67dcd09d96102a7ab3e5bc416cec61bf18d088da37a0f0