Update aduc_framework/managers/wan_manager.py

aduc_framework/managers/wan_manager.py

@@ -1,5 +1,5 @@
 # aduc_framework/managers/wan_manager.py
-# WanManager v1.5.2 (Correção do dispositivo do torch.Generator)
+# WanManager v1.5.3 (Correção final de dispositivo para `device_map="auto"`)
 
 import os
 import platform
@@ -31,9 +31,10 @@ from aduc_framework.utils.callbacks import DenoiseStepLogger
 
 class WanManager:
     """
-    Gerenciador de produção v1.5.2:
-    - CORREÇÃO: Resolve o erro "META device type not an accelerator" ao criar o
-      torch.Generator sempre na CPU.
+    Gerenciador de produção v1.5.3:
+    - CORREÇÃO: Remove o gerenciamento manual de dispositivos na preparação de tensores
+      para ser totalmente compatível com a automação do `accelerate` e `device_map="auto"`.
+      Resolve os erros "Cannot copy out of meta tensor".
     - Mantém o `yield` para atualizações em tempo real, os modos I2V e V2V,
       e toda a lógica de validação robusta.
     """
@@ -232,29 +233,27 @@ class WanManager:
 
         print("[WanManager] Preparando tensores e timesteps para a geração...")
         
-        target_device = self.pipe.transformer.device
         transformer_dtype = self.pipe.transformer.dtype
-
         generator = torch.Generator(device="cpu").manual_seed(current_seed)
         
-        prompt_embeds, negative_prompt_embeds = self.pipe.encode_prompt(prompt=prompt, negative_prompt=negative_prompt or self.default_negative_prompt, device=target_device)
+        prompt_embeds, negative_prompt_embeds = self.pipe.encode_prompt(prompt=prompt, negative_prompt=negative_prompt or self.default_negative_prompt)
         prompt_embeds = prompt_embeds.to(transformer_dtype)
         if negative_prompt_embeds is not None:
             negative_prompt_embeds = negative_prompt_embeds.to(transformer_dtype)
             
-        image_processed = self.pipe.video_processor.preprocess(processed_convergent, height=target_h, width=target_w).to(target_device)
-        causal_img_processed = self.pipe.video_processor.preprocess(processed_causal, height=target_h, width=target_w).to(target_device)
-        handler_img_processed = self.pipe.video_processor.preprocess(processed_handler, height=target_h, width=target_w).to(target_device) if processed_handler else None
+        image_processed = self.pipe.video_processor.preprocess(processed_convergent, height=target_h, width=target_w)
+        causal_img_processed = self.pipe.video_processor.preprocess(processed_causal, height=target_h, width=target_w)
+        handler_img_processed = self.pipe.video_processor.preprocess(processed_handler, height=target_h, width=target_w) if processed_handler else None
 
         latents_outputs = self.pipe.prepare_latents(
             image=image_processed, batch_size=1, num_channels_latents=self.pipe.vae.config.z_dim,
-            height=target_h, width=target_w, num_frames=num_frames, dtype=torch.float32, device=target_device, generator=generator,
+            height=target_h, width=target_w, num_frames=num_frames, dtype=torch.float32, generator=generator,
             causal_img=causal_img_processed, handler_img=handler_img_processed,
             handler_frame_index=corrected_handler_index, handler_weight=final_handler_weight, causal_weight=final_causal_weight
         )
         latents, condition = latents_outputs
         
-        self.pipe.scheduler.set_timesteps(steps, device=target_device)
+        self.pipe.scheduler.set_timesteps(steps, device=latents.device)
         timesteps = self.pipe.scheduler.timesteps
         
         denoise_logger = DenoiseStepLogger(self.pipe)