Transformers 文件
Qwen2.5-VL
並獲得增強的文件體驗
開始使用
Qwen2.5-VL
Qwen2.5-VL 是一個多模態視覺-語言模型，提供 3B、7B 和 72B 引數版本，並已在 4.1T 令牌上進行預訓練。該模型在 ViT 編碼器中引入了視窗注意力機制以加速訓練和推理，在空間和時間維度上採用動態 FPS 取樣以在不同取樣率下實現更好的影片理解，並升級了 MRoPE（多解析度旋轉位置編碼）機制以更好地捕獲和學習時間動態。
您可以在 Qwen2.5-VL 集合中找到所有原始的 Qwen2.5-VL 檢查點。
點選右側邊欄中的 Qwen2.5-VL 模型，檢視更多關於如何將 Qwen2.5-VL 應用於不同視覺和語言任務的示例。
以下示例演示瞭如何使用 Pipeline 或 AutoModel 類根據影像生成文字。
import torch
from transformers import pipeline
pipe = pipeline(
task="image-text-to-text",
model="Qwen/Qwen2.5-VL-7B-Instruct",
device=0,
torch_dtype=torch.bfloat16
)
messages = [
{
"role": "user",
"content": [
{
"type": "image",
"url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg",
},
{ "type": "text", "text": "Describe this image."},
]
}
]
pipe(text=messages,max_new_tokens=20, return_full_text=False)
量化透過以較低精度表示權重來減少大型模型的記憶體負擔。有關更多可用量化後端，請參閱量化概述。
以下示例使用torchao僅將權重量化為int4。
import torch
from transformers import TorchAoConfig, Qwen2_5_VLForConditionalGeneration, AutoProcessor
quantization_config = TorchAoConfig("int4_weight_only", group_size=128)
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
"Qwen/Qwen2.5-VL-7B-Instruct",
torch_dtype=torch.bfloat16,
device_map="auto",
quantization_config=quantization_config
)
注意事項
使用 Qwen2.5-VL 處理影片輸入，請將
"type": "video"設定如下所示。conversation = [ { "role": "user", "content": [ {"type": "video", "path": "/path/to/video.mp4"}, {"type": "text", "text": "What happened in the video?"}, ], } ] inputs = processor.apply_chat_template( conversation, video_fps=1, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt" ).to(model.device) # Inference: Generation of the output output_ids = model.generate(**inputs, max_new_tokens=128) generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(inputs.input_ids, output_ids)] output_text = processor.batch_decode(generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True) print(output_text)使用 Qwen2.5-VL 處理混合批次輸入（影像、影片、文字）。在處理多個影像或影片時新增標籤，以便更好地參考，如下所示。
import torch from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor model = Qwen2_5_VLForConditionalGeneration.from_pretrained( "Qwen/Qwen2.5-VL-7B-Instruct", torch_dtype=torch.float16, device_map="auto", attn_implementation="sdpa" ) processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct") conversation = [ { "role": "user", "content": [ {"type": "image"}, {"type": "text", "text": "Hello, how are you?"} ] }, { "role": "assistant", "content": "I'm doing well, thank you for asking. How can I assist you today?" }, { "role": "user", "content": [ {"type": "text", "text": "Can you describe these images and video?"}, {"type": "image"}, {"type": "image"}, {"type": "video"}, {"type": "text", "text": "These are from my vacation."} ] }, { "role": "assistant", "content": "I'd be happy to describe the images and video for you. Could you please provide more context about your vacation?" }, { "role": "user", "content": "It was a trip to the mountains. Can you see the details in the images and video?" } ] # default: prompt_without_id = processor.apply_chat_template(conversation, add_generation_prompt=True) # Excepted output: '<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\n<|vision_start|><|image_pad|><|vision_end|>Hello, how are you?<|im_end|>\n<|im_start|>assistant\nI'm doing well, thank you for asking. How can I assist you today?<|im_end|>\n<|im_start|>user\nCan you describe these images and video?<|vision_start|><|image_pad|><|vision_end|><|vision_start|><|image_pad|><|vision_end|><|vision_start|><|video_pad|><|vision_end|>These are from my vacation.<|im_end|>\n<|im_start|>assistant\nI'd be happy to describe the images and video for you. Could you please provide more context about your vacation?<|im_end|>\n<|im_start|>user\nIt was a trip to the mountains. Can you see the details in the images and video?<|im_end|>\n<|im_start|>assistant\n' # add ids prompt_with_id = processor.apply_chat_template(conversation, add_generation_prompt=True, add_vision_id=True) # Excepted output: '<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\nPicture 1: <|vision_start|><|image_pad|><|vision_end|>Hello, how are you?<|im_end|>\n<|im_start|>assistant\nI'm doing well, thank you for asking. How can I assist you today?<|im_end|>\n<|im_start|>user\nCan you describe these images and video?Picture 2: <|vision_start|><|image_pad|><|vision_end|>Picture 3: <|vision_start|><|image_pad|><|vision_end|>Video 1: <|vision_start|><|video_pad|><|vision_end|>These are from my vacation.<|im_end|>\n<|im_start|>assistant\nI'd be happy to describe the images and video for you. Could you please provide more context about your vacation?<|im_end|>\n<|im_start|>user\nIt was a trip to the mountains. Can you see the details in the images and video?<|im_end|>\n<|im_start|>assistant\n'使用 AutoProcessor 中的
min_pixels和max_pixels引數設定解析度。min_pixels = 224*224 max_pixels = 2048*2048 processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)更高的解析度可能需要更多的計算，而降低解析度可以節省記憶體，如下所示：
min_pixels = 256*28*28 max_pixels = 1024*28*28 processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)
Qwen2_5_VLConfig
class transformers.Qwen2_5_VLConfig
< source >( text_config = None vision_config = None image_token_id = 151655 video_token_id = 151656 **kwargs )
這是用於儲存 Qwen2_5_VLModel 配置的配置類。它用於根據指定引數例項化 Qwen2-VL 模型，定義模型架構。使用預設值例項化配置將產生類似於 Qwen2-VL-7B-Instruct Qwen/Qwen2-VL-7B-Instruct 的配置。
配置物件繼承自 PretrainedConfig，可用於控制模型輸出。有關更多資訊，請參閱 PretrainedConfig 的文件。
>>> from transformers import Qwen2_5_VLForConditionalGeneration, Qwen2_5_VLConfig
>>> # Initializing a Qwen2_5_VL style configuration
>>> configuration = Qwen2_5_VLConfig()
>>> # Initializing a model from the Qwen2-VL-7B style configuration
>>> model = Qwen2_5_VLForConditionalGeneration(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configQwen2_5_VLTextConfig
class transformers.Qwen2_5_VLTextConfig
< source >( vocab_size = 152064 hidden_size = 8192 intermediate_size = 29568 num_hidden_layers = 80 num_attention_heads = 64 num_key_value_heads = 8 hidden_act = 'silu' max_position_embeddings = 32768 initializer_range = 0.02 rms_norm_eps = 1e-05 use_cache = True tie_word_embeddings = False rope_theta = 1000000.0 use_sliding_window = False sliding_window = 4096 max_window_layers = 80 layer_types = None attention_dropout = 0.0 rope_scaling = None image_token_id = None video_token_id = None **kwargs )
引數
- vocab_size (
int, 可選, 預設為 152064) — Qwen2_5_VL 模型的詞彙表大小。定義了呼叫 Qwen2_5_VLModel 時傳遞的inputs_ids可以表示的不同令牌的數量。 - hidden_size (
int, 可選, 預設為 8192) — 隱藏表示的維度。 - intermediate_size (
int, 可選, 預設為 29568) — MLP 表示的維度。 - num_hidden_layers (
int, 可選, 預設為 80) — Transformer 編碼器中的隱藏層數量。 - num_attention_heads (
int, 可選, 預設為 64) — Transformer 編碼器中每個注意力層的注意力頭數量。 - num_key_value_heads (
int, 可選, 預設為 8) — 用於實現分組查詢注意力 (Grouped Query Attention) 的鍵值頭數量。如果num_key_value_heads=num_attention_heads，模型將使用多頭注意力 (MHA)；如果num_key_value_heads=1，模型將使用多查詢注意力 (MQA)；否則使用 GQA。將多頭檢查點轉換為 GQA 檢查點時，每個分組的鍵和值頭應透過對其組內的所有原始頭進行均值池化來構建。有關更多詳細資訊，請參閱這篇論文。如果未指定，則預設為32。 - hidden_act (
str或function, 可選, 預設為"silu") — 解碼器中的非線性啟用函式（函式或字串）。 - max_position_embeddings (
int, 可選, 預設為 32768) — 該模型可能使用的最大序列長度。 - initializer_range (
float, 可選, 預設為 0.02) — 用於初始化所有權重矩陣的 truncated_normal_initializer 的標準差。 - rms_norm_eps (
float, 可選, 預設為 1e-05) — rms 歸一化層使用的 epsilon 值。 - use_cache (
bool, 可選, 預設為True) — 模型是否應返回最後一個鍵/值注意力（並非所有模型都使用）。僅當config.is_decoder=True時相關。 - tie_word_embeddings (
bool, 可選, 預設為False) — 模型的輸入和輸出詞嵌入是否應該繫結。 - rope_theta (
float, 可選, 預設為 1000000.0) — RoPE 嵌入的基本週期。 - use_sliding_window (
bool, 可選, 預設為False) — 是否使用滑動視窗注意力。 - sliding_window (
int, 可選, 預設為 4096) — 滑動視窗注意力 (SWA) 的視窗大小。如果未指定，則預設為4096。 - max_window_layers (
int, 可選, 預設為 80) — 使用完整注意力的層數。前max_window_layers層將使用完整注意力，而之後的任何附加層將使用 SWA（滑動視窗注意力）。 - layer_types (
list, 可選) — 每層的注意力模式。 - attention_dropout (
float, 可選, 預設為 0.0) — 注意力機率的 dropout 比率。 - rope_scaling (
Dict, 可選) — 包含 RoPE 嵌入縮放配置的字典。注意：如果您應用新的 RoPE 型別並期望模型在更長的max_position_embeddings上工作，我們建議您相應地更新此值。預期內容：rope_type(str)：要使用的 RoPE 子變體。可以是 ['default', 'linear', 'dynamic', 'yarn', 'longrope', 'llama3'] 之一，其中 'default' 是原始 RoPE 實現。factor(float, 可選)：除 'default' 外的所有 RoPE 型別均使用。應用於 RoPE 嵌入的縮放因子。在大多數縮放型別中，x 的factor將使模型能夠處理長度為 x * 原始最大預訓練長度的序列。original_max_position_embeddings(int, 可選)：與 'dynamic'、'longrope' 和 'llama3' 一起使用。預訓練期間使用的原始最大位置嵌入。attention_factor(float, 可選)：與 'yarn' 和 'longrope' 一起使用。應用於注意力計算的縮放因子。如果未指定，則預設為實現建議的值，使用factor欄位推斷建議值。beta_fast(float, 可選)：僅與 'yarn' 一起使用。設定線性斜坡函式（僅外推）邊界的引數。如果未指定，則預設為 32。beta_slow(float, 可選)：僅與 'yarn' 一起使用。設定線性斜坡函式（僅插值）邊界的引數。如果未指定，則預設為 1。short_factor(list[float], 可選)：僅與 'longrope' 一起使用。應用於短上下文（<original_max_position_embeddings）的縮放因子。必須是與隱藏大小除以注意力頭數再除以 2 長度相同的數字列表。long_factor(list[float], 可選)：僅與 'longrope' 一起使用。應用於長上下文（<original_max_position_embeddings）的縮放因子。必須是與隱藏大小除以注意力頭數再除以 2 長度相同的數字列表。low_freq_factor(float, 可選)：僅與 'llama3' 一起使用。應用於 RoPE 低頻分量的縮放因子。high_freq_factor(float, 可選)：僅與 'llama3' 一起使用。應用於 RoPE 高頻分量的縮放因子。 - image_token_id (
int, 可選) — 用作影像嵌入佔位符的令牌索引。 - video_token_id (
int, 可選) — 用作影片嵌入佔位符的令牌索引。
這是用於儲存 Qwen2_5_VLTextModel 配置的配置類。它用於根據指定引數例項化 Qwen2-VL 模型，定義模型架構。使用預設值例項化配置將產生類似於 Qwen2-VL-7B-Instruct Qwen/Qwen2-VL-7B-Instruct 的配置。
配置物件繼承自 PretrainedConfig，可用於控制模型輸出。有關更多資訊，請參閱 PretrainedConfig 的文件。
>>> from transformers import Qwen2_5_VLTextModel, Qwen2_5_VLConfig
>>> # Initializing a Qwen2_5_VL style configuration
>>> configuration = Qwen2_5_VLConfig()
>>> # Initializing a model from the Qwen2-VL-7B style configuration
>>> model = Qwen2_5_VLTextModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configQwen2_5_VLProcessor
class transformers.Qwen2_5_VLProcessor
< source >( image_processor = None tokenizer = None video_processor = None chat_template = None **kwargs )
引數
- image_processor (Qwen2VLImageProcessor, 可選) — 影像處理器是必需輸入。
- tokenizer (Qwen2TokenizerFast, 可選) — 分詞器是必需輸入。
- video_processor (
Qwen2_5_VLVideoProcessor, 可選) — 影片處理器是必需輸入。 - chat_template (
str, 可選) — 一個 Jinja 模板，用於將聊天中的訊息列表轉換為可令牌化的字串。
構建 Qwen2.5-VL 處理器，它將 Qwen2.5-VL 影像處理器和 Qwen2 分詞器封裝到一個處理器中。Qwen2_5_VLProcessor 提供 Qwen2VLImageProcessor 和 Qwen2TokenizerFast 的所有功能。有關更多資訊，請參閱 __call__() 和 decode() 的文件。
此方法將其所有引數轉發到 Qwen2TokenizerFast 的 batch_decode()。有關更多資訊，請參閱此方法的文件字串。
post_process_image_text_to_text
< 源 >( generated_outputs skip_special_tokens = True clean_up_tokenization_spaces = False **kwargs ) → list[str]
引數
- generated_outputs (
torch.Tensor或np.ndarray) — 模型generate函式的輸出。輸出預期為形狀為(batch_size, sequence_length)或(sequence_length,)的張量。 - skip_special_tokens (
bool, 可選, 預設為True) — 是否從輸出中移除特殊令牌。此引數將傳遞給分詞器的batch_decode方法。 - clean_up_tokenization_spaces (
bool, 可選, 預設為False) — 是否清理分詞空間。此引數將傳遞給分詞器的batch_decode方法。 - **kwargs — 額外引數，將傳遞給分詞器的
batch_decode方法。
返回
list[str]
解碼後的文字。
對模型輸出進行後處理以解碼文字。
Qwen2_5_VLTextModel
class transformers.Qwen2_5_VLTextModel
< 源 >( config: Qwen2_5_VLTextConfig )
引數
- config (Qwen2_5_VLTextConfig) — 模型配置類，包含模型的所有引數。使用配置檔案初始化模型不會載入與模型相關的權重，只會載入配置。請檢視 from_pretrained() 方法以載入模型權重。
裸 Qwen2 5 Vl 文字模型，輸出原始隱藏狀態，不帶任何特定頭部。
此模型繼承自 PreTrainedModel。請檢視超類文件，瞭解庫為所有模型實現的通用方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。
此模型也是 PyTorch torch.nn.Module 子類。請將其作為常規 PyTorch 模組使用，並參閱 PyTorch 文件以瞭解所有與一般用法和行為相關的事項。
forward
< 源 >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None **kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) → transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
引數
- input_ids (形狀為
(batch_size, sequence_length)的torch.LongTensor，可選) — 詞彙表中輸入序列令牌的索引。預設情況下會忽略填充。可以使用 AutoTokenizer 獲取索引。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (形狀為
(batch_size, sequence_length)的torch.Tensor，可選) — 掩碼，用於避免對填充令牌索引執行注意力。掩碼值選擇在[0, 1]之間：- 1 表示未被掩碼的令牌，
- 0 表示被掩碼的令牌。
- position_ids (形狀為
(batch_size, sequence_length)的torch.LongTensor，可選) — 每個輸入序列令牌在位置嵌入中的位置索引。選擇範圍為[0, config.n_positions - 1]。 - past_key_values (
list[torch.FloatTensor], 可選) — 預先計算的隱藏狀態（自注意力塊和交叉注意力塊中的鍵和值），可用於加速順序解碼。當use_cache=True或config.use_cache=True時，通常由模型在解碼的先前階段返回past_key_values。允許兩種格式：
- Cache 例項，請參閱我們的 kv 快取指南；
- 長度為
config.n_layers的tuple(torch.FloatTensor)元組，每個元組包含 2 個形狀為(batch_size, num_heads, sequence_length, embed_size_per_head)的張量）。這也被稱為傳統快取格式。
模型將輸出與輸入相同的快取格式。如果未傳入
past_key_values，則將返回傳統快取格式。如果使用
past_key_values，使用者可以選擇只輸入形狀為(batch_size, 1)的最後一個input_ids（那些沒有將其過去鍵值狀態提供給此模型的輸入），而不是形狀為(batch_size, sequence_length)的所有input_ids。 - inputs_embeds (形狀為
(batch_size, sequence_length, hidden_size)的torch.FloatTensor，可選) — 可選地，除了傳遞input_ids，您還可以選擇直接傳遞嵌入表示。如果您希望對input_ids索引轉換為關聯向量的方式擁有更多控制，而不是使用模型的內部嵌入查詢矩陣，這將非常有用。 - use_cache (
bool, 可選) — 如果設定為True，則返回past_key_values鍵值狀態，可用於加速解碼（請參閱past_key_values）。 - output_attentions (
bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量下的attentions。 - output_hidden_states (
bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量下的hidden_states。 - return_dict (
bool, 可選) — 是否返回 ModelOutput 而不是普通元組。 - cache_position (形狀為
(sequence_length)的torch.LongTensor，可選) — 描述輸入序列令牌在序列中位置的索引。與position_ids不同，此張量不受填充影響。它用於在正確位置更新快取並推斷完整序列長度。
返回
transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
transformers.modeling_outputs.BaseModelOutputWithPast 或 torch.FloatTensor 的元組（如果傳入 return_dict=False 或當 config.return_dict=False 時），包含根據配置 (Qwen2_5_VLConfig) 和輸入的不同元素。
-
last_hidden_state (
torch.FloatTensor, 形狀為(batch_size, sequence_length, hidden_size)) — 模型最後一層輸出的隱藏狀態序列。如果使用了
past_key_values，則只輸出形狀為(batch_size, 1, hidden_size)的序列的最後一個隱藏狀態。 -
past_key_values (
Cache, 可選, 當傳入use_cache=True或當config.use_cache=True時返回) — 這是一個 Cache 例項。有關更多詳細資訊，請參閱我們的 kv 快取指南。包含預先計算的隱藏狀態（自注意力塊中的鍵和值，如果
config.is_encoder_decoder=True，則可選地包含交叉注意力塊中的鍵和值），可用於加速順序解碼（請參閱past_key_values輸入）。 -
hidden_states (
tuple(torch.FloatTensor), 可選, 當傳入output_hidden_states=True或當config.output_hidden_states=True時返回) —torch.FloatTensor的元組（如果模型有嵌入層，則為一個嵌入層輸出，加上每個層的一個輸出），形狀為(batch_size, sequence_length, hidden_size)。模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
-
attentions (
tuple(torch.FloatTensor), 可選, 當傳入output_attentions=True或當config.output_attentions=True時返回) —torch.FloatTensor的元組（每個層一個），形狀為(batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。
Qwen2_5_VLTextModel 的 forward 方法，重寫了 __call__ 特殊方法。
儘管前向傳播的實現需要在該函式中定義，但之後應呼叫 Module 例項而不是該函式，因為前者負責執行預處理和後處理步驟，而後者會默默忽略它們。
Qwen2_5_VLModel
class transformers.Qwen2_5_VLModel
< 源 >( config )
引數
- config (Qwen2_5_VLModel) — 模型配置類，包含模型的所有引數。使用配置檔案初始化模型不會載入與模型相關的權重，只會載入配置。請檢視 from_pretrained() 方法以載入模型權重。
裸 Qwen2 5 Vl 模型，輸出原始隱藏狀態，不帶任何特定頭部。
此模型繼承自 PreTrainedModel。請檢視超類文件，瞭解庫為所有模型實現的通用方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。
此模型也是 PyTorch torch.nn.Module 子類。請將其作為常規 PyTorch 模組使用，並參閱 PyTorch 文件以瞭解所有與一般用法和行為相關的事項。
forward
< 源 >( input_ids: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None pixel_values: typing.Optional[torch.Tensor] = None pixel_values_videos: typing.Optional[torch.FloatTensor] = None image_grid_thw: typing.Optional[torch.LongTensor] = None video_grid_thw: typing.Optional[torch.LongTensor] = None rope_deltas: typing.Optional[torch.LongTensor] = None cache_position: typing.Optional[torch.LongTensor] = None second_per_grid_ts: typing.Optional[torch.Tensor] = None **kwargs: typing_extensions.Unpack[transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.KwargsForCausalLM] ) → transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.Qwen2_5_VLModelOutputWithPast 或 tuple(torch.FloatTensor)
引數
- input_ids (形狀為
(batch_size, sequence_length)的torch.LongTensor) — 詞彙表中輸入序列令牌的索引。預設情況下會忽略填充。可以使用 AutoTokenizer 獲取索引。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (形狀為
(batch_size, sequence_length)的torch.Tensor，可選) — 掩碼，用於避免對填充令牌索引執行注意力。掩碼值選擇在[0, 1]之間：- 1 表示未被掩碼的令牌，
- 0 表示被掩碼的令牌。
- position_ids (形狀為
(batch_size, sequence_length)的torch.LongTensor，可選) — 每個輸入序列令牌在位置嵌入中的位置索引。選擇範圍為[0, config.n_positions - 1]。 - past_key_values (
list[torch.FloatTensor], 可選) — 預先計算的隱藏狀態（自注意力塊和交叉注意力塊中的鍵和值），可用於加速順序解碼。當use_cache=True或config.use_cache=True時，通常由模型在解碼的先前階段返回past_key_values。允許兩種格式：
- Cache 例項，請參閱我們的 kv 快取指南；
- 長度為
config.n_layers的tuple(torch.FloatTensor)元組，每個元組包含 2 個形狀為(batch_size, num_heads, sequence_length, embed_size_per_head)的張量）。這也被稱為傳統快取格式。
模型將輸出與輸入相同的快取格式。如果未傳入
past_key_values，則將返回傳統快取格式。如果使用
past_key_values，使用者可以選擇只輸入形狀為(batch_size, 1)的最後一個input_ids（那些沒有將其過去鍵值狀態提供給此模型的輸入），而不是形狀為(batch_size, sequence_length)的所有input_ids。 - inputs_embeds (形狀為
(batch_size, sequence_length, hidden_size)的torch.FloatTensor，可選) — 可選地，除了傳遞input_ids，您還可以選擇直接傳遞嵌入表示。如果您希望對input_ids索引轉換為關聯向量的方式擁有更多控制，而不是使用模型的內部嵌入查詢矩陣，這將非常有用。 - use_cache (
bool, 可選) — 如果設定為True，則返回past_key_values鍵值狀態，可用於加速解碼（請參閱past_key_values）。 - output_attentions (
bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量下的attentions。 - output_hidden_states (
bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量下的hidden_states。 - return_dict (
bool, 可選) — 是否返回 ModelOutput 而不是普通元組。 - pixel_values (形狀為
(batch_size, num_channels, image_size, image_size)的torch.Tensor，可選) — 對應於輸入影像的張量。畫素值可以透過{image_processor_class}獲取。有關詳細資訊，請參閱{image_processor_class}.__call__（{processor_class}使用{image_processor_class}處理影像）。 - pixel_values_videos (形狀為 `(seq_length, num_channels * temporal_size * image_size * image_size)` 的
torch.FloatTensor) — 對應於輸入影片的張量。畫素值可以透過 AutoImageProcessor 獲取。有關詳細資訊，請參閱 Qwen2VLImageProcessor.call()。Qwen2_5_VLProcessor 使用 Qwen2VLImageProcessor 處理影片。 - image_grid_thw (形狀為
(num_images, 3)的torch.LongTensor，可選) — LLM 中每張影像的特徵形狀的時間、高度和寬度。 - video_grid_thw (形狀為
(num_videos, 3)的torch.LongTensor，可選) — LLM 中每個影片的特徵形狀的時間、高度和寬度。 - rope_deltas (形狀為
(batch_size, )的torch.LongTensor，可選) — 序列長度和多模態 RoPE 之間的 RoPE 索引差異。 - cache_position (形狀為
(sequence_length)的torch.LongTensor，可選) — 描述輸入序列令牌在序列中位置的索引。與position_ids不同，此張量不受填充影響。它用於在正確位置更新快取並推斷完整序列長度。 - second_per_grid_ts (形狀為
(num_videos)的torch.Tensor，可選) — 沿 3D 位置 ID 的時間維度上每個網格的時間間隔（以秒為單位）。
返回
transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.Qwen2_5_VLModelOutputWithPast 或 tuple(torch.FloatTensor)
一個 transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.Qwen2_5_VLModelOutputWithPast 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或當 config.return_dict=False 時），包含根據配置 (Qwen2_5_VLConfig) 和輸入的不同元素。
-
last_hidden_state (形狀為
(batch_size, sequence_length, hidden_size)的<class 'torch.FloatTensor'>.last_hidden_state，預設為None) — 模型最後一層輸出的隱藏狀態序列。 -
past_key_values (
tuple(tuple(torch.FloatTensor)), 可選, 當傳入use_cache=True或當config.use_cache=True時返回) — 長度為config.n_layers的tuple(torch.FloatTensor)元組，每個元組包含 2 個形狀為(batch_size, num_heads, sequence_length, embed_size_per_head)的張量）。包含預計算的隱藏狀態（自注意力塊中的鍵和值），可用於（參見
past_key_values輸入）加速順序解碼。 -
hidden_states (
tuple[torch.FloatTensor], 可選, 當傳入output_hidden_states=True或當config.output_hidden_states=True時返回) —torch.FloatTensor的元組（如果模型有嵌入層，則為一個嵌入層輸出，加上每個層的一個輸出），形狀為(batch_size, sequence_length, hidden_size)。模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
-
attentions (
tuple[torch.FloatTensor], 可選, 當傳入output_attentions=True或當config.output_attentions=True時返回) —torch.FloatTensor的元組（每個層一個），形狀為(batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。
-
rope_deltas (形狀為
(batch_size, )的torch.LongTensor，可選) — 序列長度和多模態 RoPE 之間的 RoPE 索引差異。
Qwen2_5_VLModel 的 forward 方法，重寫了 __call__ 特殊方法。
儘管前向傳播的實現需要在該函式中定義，但之後應呼叫 Module 例項而不是該函式，因為前者負責執行預處理和後處理步驟，而後者會默默忽略它們。
Qwen2_5_VLForConditionalGeneration
forward
< 源 >( input_ids: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None pixel_values: typing.Optional[torch.Tensor] = None pixel_values_videos: typing.Optional[torch.FloatTensor] = None image_grid_thw: typing.Optional[torch.LongTensor] = None video_grid_thw: typing.Optional[torch.LongTensor] = None rope_deltas: typing.Optional[torch.LongTensor] = None cache_position: typing.Optional[torch.LongTensor] = None second_per_grid_ts: typing.Optional[torch.Tensor] = None **kwargs: typing_extensions.Unpack[transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.KwargsForCausalLM] ) → transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.Qwen2_5_VLCausalLMOutputWithPast 或 tuple(torch.FloatTensor)
引數
- input_ids (
torch.LongTensor，形狀為(batch_size, sequence_length)) — 詞彙表中輸入序列 token 的索引。預設情況下會忽略填充。索引可以使用 AutoTokenizer 獲取。詳情請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor，形狀為(batch_size, sequence_length), 可選) — 用於避免在填充 token 索引上執行注意力操作的掩碼。掩碼值選擇在[0, 1]之間：- 1 表示 未被掩蓋 的 token，
- 0 表示 被掩蓋 的 token。
- position_ids (
torch.LongTensor，形狀為(batch_size, sequence_length), 可選) — 每個輸入序列 token 在位置嵌入中的位置索引。選擇範圍在[0, config.n_positions - 1]之間。 - past_key_values (
list[torch.FloatTensor], 可選) — 預計算的隱藏狀態（自注意力塊和交叉注意力塊中的鍵和值），可用於加速順序解碼。這通常由模型在解碼的先前階段返回的past_key_values組成，當use_cache=True或config.use_cache=True時。允許兩種格式：
- 一個 Cache 例項，請參閱我們的 kv 快取指南；
- 長度為
config.n_layers的tuple(torch.FloatTensor)元組，每個元組包含 2 個形狀為(batch_size, num_heads, sequence_length, embed_size_per_head)的張量。這也被稱為舊版快取格式。
模型將輸出與輸入相同的快取格式。如果沒有傳入
past_key_values，則將返回舊版快取格式。如果使用了
past_key_values，使用者可以選擇只輸入形狀為(batch_size, 1)的最後一個input_ids（那些沒有將其過去的鍵值狀態提供給此模型的），而不是形狀為(batch_size, sequence_length)的所有input_ids。 - inputs_embeds (
torch.FloatTensor，形狀為(batch_size, sequence_length, hidden_size), 可選) — （可選）您可以直接傳遞嵌入表示，而不是傳遞input_ids。如果您希望對input_ids索引如何轉換為關聯向量有比模型內部嵌入查詢矩陣更多的控制，這將很有用。 - labels (
torch.LongTensor，形狀為(batch_size, sequence_length), 可選) — 用於計算掩碼語言建模損失的標籤。索引應在[0, ..., config.vocab_size]或 -100 之間（請參閱input_ids文件字串）。索引設定為-100的 token 將被忽略（掩碼），損失僅針對標籤在[0, ..., config.vocab_size]中的 token 計算。 - use_cache (
bool, 可選) — 如果設定為True，將返回past_key_values鍵值狀態，可用於加速解碼（請參閱past_key_values）。 - output_attentions (
bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量中的attentions。 - output_hidden_states (
bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量中的hidden_states。 - pixel_values (
torch.Tensor，形狀為(batch_size, num_channels, image_size, image_size), 可選) — 對應於輸入影像的張量。畫素值可以使用{image_processor_class}獲取。有關詳細資訊，請參閱{image_processor_class}.__call__（{processor_class}使用{image_processor_class}進行影像處理）。 - pixel_values_videos (
torch.FloatTensor，形狀為 `(seq_length, num_channels * temporal_size * image_size * image_size)) — 對應於輸入影片的張量。畫素值可以使用 AutoImageProcessor 獲取。有關詳細資訊，請參閱 Qwen2VLImageProcessor.call()。Qwen2_5_VLProcessor 使用 Qwen2VLImageProcessor 進行影片處理。 - image_grid_thw (
torch.LongTensor，形狀為(num_images, 3), 可選) — LLM 中每張影像的特徵形狀的時間、高度和寬度。 - video_grid_thw (
torch.LongTensor，形狀為(num_videos, 3), 可選) — LLM 中每個影片的特徵形狀的時間、高度和寬度。 - rope_deltas (
torch.LongTensor，形狀為(batch_size, ), 可選) — 序列長度和多模態 rope 之間的 rope 索引差。 - cache_position (
torch.LongTensor，形狀為(sequence_length), 可選) — 表示輸入序列 token 在序列中位置的索引。與position_ids不同，此張量不受填充影響。它用於在正確位置更新快取並推斷完整的序列長度。 - second_per_grid_ts (
torch.Tensor，形狀為(num_videos), 可選) — 3D 位置 ID 中沿時間維度的每個網格的時間間隔（以秒為單位）。
返回
transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.Qwen2_5_VLCausalLMOutputWithPast 或 tuple(torch.FloatTensor)
一個 transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.Qwen2_5_VLCausalLMOutputWithPast 或一個 torch.FloatTensor 元組（如果傳遞 return_dict=False 或當 config.return_dict=False 時），其中包含根據配置 (Qwen2_5_VLConfig) 和輸入而變化的各種元素。
-
loss (
torch.FloatTensor形狀為(1,)，可選，當提供labels時返回) — 語言建模損失（用於下一個 token 預測）。 -
logits (形狀為
(batch_size, sequence_length, config.vocab_size)的torch.FloatTensor) — 語言建模頭部的預測分數（SoftMax 之前的每個詞彙標記的分數）。 -
past_key_values (
tuple(tuple(torch.FloatTensor)), 可選, 當傳入use_cache=True或當config.use_cache=True時返回) — 長度為config.n_layers的tuple(torch.FloatTensor)元組，每個元組包含 2 個形狀為(batch_size, num_heads, sequence_length, embed_size_per_head)的張量）。包含預計算的隱藏狀態（自注意力塊中的鍵和值），可用於（參見
past_key_values輸入）加速順序解碼。 -
hidden_states (
tuple[torch.FloatTensor], 可選, 當傳入output_hidden_states=True或當config.output_hidden_states=True時返回) —torch.FloatTensor的元組（如果模型有嵌入層，則為一個嵌入層輸出，加上每個層的一個輸出），形狀為(batch_size, sequence_length, hidden_size)。模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
-
attentions (
tuple[torch.FloatTensor], 可選, 當傳入output_attentions=True或當config.output_attentions=True時返回) —torch.FloatTensor的元組（每個層一個），形狀為(batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。
-
rope_deltas (形狀為
(batch_size, )的torch.LongTensor，可選) — 序列長度和多模態 RoPE 之間的 RoPE 索引差異。
Qwen2_5_VLForConditionalGeneration 的 forward 方法，重寫了 __call__ 特殊方法。
儘管前向傳播的實現需要在該函式中定義，但之後應呼叫 Module 例項而不是該函式，因為前者負責執行預處理和後處理步驟，而後者會默默忽略它們。
示例
>>> from PIL import Image
>>> import requests
>>> from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration
>>> model = Qwen2_5_VLForConditionalGeneration.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct")
>>> processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct")
>>> messages = [
{
"role": "user",
"content": [
{"type": "image"},
{"type": "text", "text": "What is shown in this image?"},
],
},
]
>>> url = "https://www.ilankelman.org/stopsigns/australia.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
>>> inputs = processor(text=[text], images=[image], vision_infos=[vision_infos])
>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"The image shows a street scene with a red stop sign in the foreground. In the background, there is a large red gate with Chinese characters ..."