用途：把新模型端到端集成进 diffusers，并逐步做到与参考实现数值一致。
主要能力与流程：开始前先收集参考仓库链接或本地路径、可运行的推理脚本（如 T2V），并确认还需支持的工作流（I2V、V2V 等）及实现顺序。默认采用模块化 Diffusers（Modular Diffusers）实现新流水线，标准 DiffusionPipeline 仍受支持但不再是默认；对不符合固定任务结构或仍在演进的模型尤其推荐模块化。
集成清单：Transformer 模型需实现 from_pretrained、转换权重、做与参考的数值对齐测试、在相关 init.py 中注册（惰性导入）并添加模型级测试；VAE 尽量复用现有 AutoencoderKL*；调度器复用现有或新增自定义；流水线需实现、按需添加 LoRA mixin、注册并添加流水线级测试；最后补文档并运行 make style 与 make quality。
文件结构：模型放 src/diffusers/models/transformers/transformer_<model>.py，自定义调度器放 schedulers/scheduling_<model>.py，LoRA mixin 加入 loaders/lora_pipeline.py，标准与模块化流水线分别放 pipelines/<model>/ 与 modular_pipelines/<model>/；测试放 tests/models/transformers/ 与 tests/pipelines/<model>/；文档更新 docs/source/en/_toctree.yml 及 api/models、api/pipelines 页面。
权重转换：在 scripts/ 下写独立脚本（如 scripts/convert_<model>_to_diffusers.py），映射原始 state-dict 键到 diffusers 模块名，实例化模型加载转换后权重，save_pretrained 后再 from_pretrained 验证往返。所有权重须走标准加载路径（from_pretrained 或 from_single_file），不得自定义 from_pretrained 或运行时手动加载。常见转换模式包括拆分融合 QKV、调整 scale/shift 顺序、权重转置、重排交错头维度、偏置吸收。
限制：数值逻辑须尽量贴近参考，不得重排运算或改数学；数值对齐测试为内部验证工具，不随 PR 提交；PR 需附模型级与流水线级测试。资料未提供具体模型名称、依赖版本与价格信息。