タイムステップの値をスケジュール内のインデックスにマッピングします。

MiniMax-H3のtの規約におけるRectified-flowのフォワードプロセス: x_t = t*x_0 + (1 - t)*noise。

MiniMax-H3 は、この手法を用いて条件付けアンカーにノイズを付与します。ここで t はスケジュールのエントリではなく noise_aug レベルを指すため、timestep はそのままの値として扱われ、self.timesteps からの参照は行われません。

スケジューラの開始インデックスを設定します。

設定済みのシグマシフトをオーバーライドします。set_timesteps()を呼び出す前に実行してください。

MiniMax-H3 は、これをリクエストごとに flow_shift（動画）/ audio_flow_shift（音声）として公開しています。

sigma / timestep スケジュールを構築します。

グリッドは linspace(1, 0, num_inference_steps) を指数シフトに通したもの（連続する重複は圧縮されます）または明示的な sigmas であり、shift_provided_sigmas が設定されている場合も同様にシフトされます。終端の 0 はすでにグリッドの一部であり、シフトは 0 をちょうど 0 に写像するため、スケジュールは num_inference_steps 個のシグマを保持し、num_inference_steps - 1 回のモデル評価を駆動します。これは self.timesteps = 1 - sigmas[:-1] として公開されます。

Euler(eta = 0)ステップを1回実行するか、stochastic_samplingによる再ノイズ化ステップを1回実行します。

モデルの出力はデータ方向の速度であるため、ノイズ除去された推定値はx0 = x_t + (1 - t) * vとなります。ここで+に注意してください。これは通常の flow-match の規約とは逆の符号です。その後の更新は、r = sigma_next / sigmaを用いたブレンドx_next = r*x_t + (1 - r)*x0として行われ、半精度のサンプルに対しては float32 で評価されます。stochastic_samplingが有効な場合、更新はgeneratorから新しいノイズを用いたx_next = (1 - sigma_next) * x0 + sigma_next * noiseとなり、すべて float32 で計算されるため、最終ステップ(sigma_next = 0)ではx0が返されます。euler_update_form="velocity"の場合、同じ Euler 更新が float32 でx_next = x_t + (sigma - sigma_next) * vとして評価されます。