[bug]: Qwen-Image Edit reference-image tokens get 1-D positions under transformers 5

快速结论：该报错出现在 InvokeAI 的 Qwen-Image Edit 模式、使用 transformers 5.x 调用 Qwen2.5-VL 文本编码器时：编码器只传了 input_ids、attention_mask、pixel_values 和 image_grid_thw，没有传 mm_token_type_ids，导致参考图 token 回退为 1-D 文本位置而非 3-D（mRoPE）位置。优先排查编码器是否把 processor 返回的 mm_token_type_ids 继续传给模型。

适用环境：InvokeAI main 分支（提交 ea1056bd81）；transformers 5.10.4；Qwen-Image Edit 模式配合 Qwen2.5-VL 编码器。Issue 未明确给出操作系统、Python、CUDA、显卡信息。

最快修复方案：暂无确认的一步修复方案。Issue 中提出的方案（可优先尝试）：在 QwenImageTextEncoderInvocation._run_encoder() 中把 processor 输出的 mm_token_type_ids 一并转发给 Qwen2_5_VLForConditionalGeneration，并用 getattr(..., None) 兼容不提供该字段的输入或 processor 版本；该方案目前只在提交者的个人 fork 分支上验证，尚未合并。

注意事项：该改动会改变 Edit 模式下的编码器隐状态，从而影响出图结果，建议固定随机种子对比修改前后的效果。现有 diffusers 的 Qwen-Image Edit pipeline 同样没有传该字段，InvokeAI 当前行为与 diffusers 一致；这是 transformers 5 升级带来的行为变化，尚未有官方确认的回归结论。纯文生图路径不受影响，因为没有视觉 grid 时不会进入多模态位置计算分支。

问题场景

在 InvokeAI 中使用 Qwen-Image Edit 模式，并附带一张参考图编码提示词时触发。具体位置是 invokeai/app/invocations/text_encoder/qwen_image_text_encoder.py 的 _run_encoder：它把 input_ids、attention_mask、pixel_values、image_grid_thw 传给 Qwen2.5-VL，但没有传 mm_token_type_ids。

报错原文

[bug]: Qwen-Image Edit reference-image tokens get 1-D positions under transformers 5

原因分析

可能原因（Issue 中已给出复现证据）：在 transformers 5.x 中，Qwen2_5_VLModel 只有在同时拿到 mm_token_type_ids 和视觉 grid 时，才会为图像 token 构建 3-D（mRoPE）位置编码；缺少该字段时回退为 1-D 文本位置。而 Qwen2.5-VL 的 processor 默认会返回该字段（return_mm_token_type_ids: True），编码器没有把它继续传递。证据包括：在微型随机 Qwen2.5-VL 上，传入 mm_token_type_ids 后编码器输出最大差异达 0.033；transformers 4.x 下位置是从 input_ids 中的图像 token 计算的，推测这才是 Qwen-Image Edit 训练时的行为。MiniMax H3 已经构建并传递了该字段（invokeai/backend/minimax_h3/text_conditioning.py:97），可作为参照。

环境排查

确认 InvokeAI 版本/提交是否为 main @ ea1056bd81 或包含该编码器实现的分支。
确认 transformers 版本是否为 5.x（Issue 中为 5.10.4），并与 4.x 行为做对照。
确认使用的模型是 Qwen-Image Edit + Qwen2.5-VL 编码器，且提示词带参考图。
检查 processing 输出中是否包含 mm_token_type_ids，以及 _run_encoder 是否将其传给模型。
Issue 未提供操作系统、Python、CUDA、显卡信息，这些项目无需作为排查前提。

解决步骤

按 Issue 的复现方法确认现象：用一张参考图编码 Edit 提示词，分别在当前节点实现和传入 mm_token_type_ids=model_inputs.mm_token_type_ids 的情况下编码，对比 _EDIT_DROP_IDX 之后的隐藏状态。
若确认存在差异，可优先尝试参考提交者的修复思路：在 _run_encoder() 中将 processor 输出的 mm_token_type_ids 转发给 Qwen2_5_VLForConditionalGeneration。
使用 getattr(model_inputs, "mm_token_type_ids", None) 读取该字段，保证在不提供该字段的输入或旧版 processor 下仍可运行。
不要改动纯文本生成路径：没有视觉 grid 时 transformers 不会进入多模态位置计算分支。
补充一个基于微型 Qwen2.5-VL 的 CPU 回归测试（而非 mock forward）：构造 4 个图像 token、image grid 为 [1, 4, 4] 且视觉 patch 输入匹配的批次，检查 rotary embedding 实际位置——传入时应得到时间、高、宽三个不同坐标，不传时三个轴为同一个 1-D 序列。
在固定随机种子下对比 Edit 出图结果，评估该修复对出图的影响。

验证方法

回归测试应在旧实现下失败、在应用修复后通过；同时确认显式传入 mm_token_type_ids 时图像 token 获得时间/高/宽三个维度各自不同的位置坐标，不传时退化为单一 1-D 序列。另可在固定种子下对比修复前后的 Edit 出图，确认条件编码变化符合预期。提交者还提到 Ruff 检查、格式检查和 diff 校验均通过，可作为合并前的附加验证。