参数

• image (np.array) — 要处理的输入图像。
• grid_pinpoints (list[tuple[int, int]]) — 一系列可能的分辨率，以元组形式表示。
• patch_size (int) — 用于将图像分割成块的大小。
• resample (PILImageResampling) — 如果调整图像大小，使用的重采样滤波器。
• data_format (ChannelDimension 或 str) — 输出图像的通道维度格式。
• input_data_format (ChannelDimension 或 str) — 输入图像的通道维度格式。

包含处理后图像块的 NumPy 数组列表。

参数

• height (int) — 输入图像的高度。
• width (int) — 输入图像的宽度。
• images_kwargs (dict, 可选) — 用于覆盖图像处理器默认值的任何关键字参数。

每张图像的块数。

参数

• image (np.ndarray) — 要填充的图像。
• padding (int 或 tuple[int, int] 或 Iterable[tuple[int, int]]) — 应用于高度、宽度轴边缘的填充。可以是以下三种格式之一：
  • ((before_height, after_height), (before_width, after_width)) 每个轴的唯一填充宽度。
  • ((before, after),) 为高度和宽度产生相同的 before 和 after 填充。
  • (pad,) 或 int 是所有轴 before = after = pad 宽度的快捷方式。
• mode (PaddingMode) — 要使用的填充模式。可以是以下之一：
  • "constant": 使用常量值填充。
  • "reflect": 使用向量在每个轴的第一个和最后一个值上镜像的反射进行填充。
  • "replicate": 使用数组边缘的最后一个值沿每个轴进行复制填充。
  • "symmetric": 使用向量沿数组边缘镜像的反射进行填充。
• constant_values (float 或 Iterable[float], 可选) — 如果 mode 为 "constant"，用于填充的值。
• data_format (str 或 ChannelDimension, 可选) — 输出图像的通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。如果未设置，将使用与输入图像相同的格式。
• input_data_format (str 或 ChannelDimension, 可选) — 输入图像的通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。如果未设置，将使用输入图像的推断格式。

填充后的图像。

参数

• images (ImageInput 或 ImageInput 列表) — 输入的图像或图像列表。
• image_mean (list, 可选, 默认为 [0.5, 0.5, 0.5]) — 用于归一化的均值。
• image_std (list, 可选, 默认为 [0.5, 0.5, 0.5]) — 用于归一化的标准差值。
• max_image_size (int, 可选, 默认为 self.max_image_size (980)) — 最大图像尺寸。
• min_image_size (int, 可选, 默认为 self.min_image_size (336)) — 最小图像尺寸。
• split_image (bool, 可选, 默认为 self.split_image (False)) — 是否分割图像。
• do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb (True)) — 是否将图像转换为RGB格式。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否对图像进行缩放。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，用于缩放图像的缩放因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize (True)) — 是否对图像进行归一化。
• resample (PILImageResampling, 可选, 默认为 self.resample (BICUBIC)) — 如果需要调整图像大小，使用的重采样滤波器。
• return_tensors (str 或 TensorType, 可选, 默认为 “pt”) — 返回的张量类型。
• data_format (str 或 ChannelDimension, 可选) — 输出图像的通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。如果未设置，将使用与输入图像相同的格式。
• input_data_format (str 或 ChannelDimension, 可选) — 输入图像的通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。如果未设置，将使用推断出的输入图像格式。

包含以下内容的 BatchFeature 对象：

• ‘pixel_values’: 处理后图像像素值的张量。
• ‘pixel_mask’: 布尔像素掩码。此掩码是一个形状为 (max_image_size, max_image_size) 的二维张量，其中
  • True (1) 值表示属于原始调整大小后图像的像素。
  • False (0) 值表示属于填充部分的像素。此掩码有助于在后续处理步骤中区分实际图像内容和填充区域。
• ‘num_crops’: 所有图像中的最大裁切数量。

参数

• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，optional) — 词汇表中输入序列词元（token）的索引。默认情况下将忽略填充。

  索引可以使用 AutoTokenizer 获取。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 ID？

• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，optional) — 用于避免对填充词元索引执行注意力计算的掩码。掩码值选自 [0, 1]：
  • 1 表示词元未被掩码，
  • 0 表示词元已被掩码。

  什么是注意力掩码？

• position_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，optional) — 每个输入序列词元在位置嵌入中的位置索引。选自范围 [0, config.n_positions - 1]。

  什么是位置 ID？

• past_key_values (~cache_utils.Cache, optional) — 预先计算的隐藏状态（自注意力和交叉注意力块中的键和值），可用于加速序列解码。这通常包括在解码的先前阶段，当 use_cache=True 或 config.use_cache=True 时由模型返回的 past_key_values。

  允许两种格式：

  • 一个 Cache 实例，请参阅我们的 KV 缓存指南；
  • 长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor))，其中每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量。这也称为传统缓存格式。

  模型将输出与输入相同的缓存格式。如果没有传递 past_key_values，则将返回传统缓存格式。

  如果使用 past_key_values，用户可以选择只输入最后一个 input_ids（那些没有提供给该模型的过去键值状态的词元），其形状为 (batch_size, 1)，而不是所有形状为 (batch_size, sequence_length) 的 input_ids。

• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)，optional) — 可选地，你可以选择直接传递嵌入表示，而不是传递 input_ids。如果你希望比模型内部的嵌入查找矩阵更能控制如何将 input_ids 索引转换为相关向量，这将非常有用。
• use_cache (bool, optional) — 如果设置为 True，将返回 past_key_values 键值状态，并可用于加速解码（请参阅 past_key_values）。
• output_attentions (bool, optional) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量下的 attentions。
• output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的 hidden_states。
• cache_position (torch.LongTensor，形状为 (sequence_length)，optional) — 描述输入序列词元在序列中位置的索引。与 position_ids 不同，此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。

一个 transformers.modeling_outputs.BaseModelOutputWithPast 或一个 `torch.FloatTensor` 元组（如果传递了 `return_dict=False` 或 `config.return_dict=False`），根据配置（AriaConfig）和输入包含各种元素。

• last_hidden_state (torch.FloatTensor, 形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。

  如果使用了 past_key_values，则只输出形状为 (batch_size, 1, hidden_size) 的序列的最后一个隐藏状态。

• past_key_values (Cache, optional, 在传递 use_cache=True 或 config.use_cache=True 时返回) — 这是一个 Cache 实例。有关更多详细信息，请参阅我们的 KV 缓存指南。

  包含预先计算的隐藏状态（自注意力块中的键和值，如果 `config.is_encoder_decoder=True`，则还包括交叉注意力块中的键和值），可用于（参见 `past_key_values` 输入）加速序列解码。

• hidden_states (tuple(torch.FloatTensor), optional, 在传递 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，一个是嵌入层的输出，+ 每个层一个输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 在传递 output_attentions=True 或 config.output_attentions=True 时返回) — `torch.FloatTensor` 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)) — 词汇表中输入序列词元（token）的索引。默认情况下将忽略填充。

  索引可以使用 AutoTokenizer 获取。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 ID？

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息，请参阅 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• pixel_mask (torch.LongTensor，形状为 (batch_size, height, width)) — 用于避免对填充像素值执行注意力计算的掩码。掩码值选自 [0, 1]：
  • 1 表示像素是真实的（即未被掩码），
  • 0 表示像素是填充的（即已被掩码）。

  什么是注意力掩码？

• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，optional) — 用于避免对填充词元索引执行注意力计算的掩码。掩码值选自 [0, 1]：
  • 1 表示词元未被掩码，
  • 0 表示词元已被掩码。

  什么是注意力掩码？

• position_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，optional) — 每个输入序列词元在位置嵌入中的位置索引。选自范围 [0, config.n_positions - 1]。

  什么是位置 ID？

• past_key_values (list[torch.FloatTensor], optional) — 预先计算的隐藏状态（自注意力和交叉注意力块中的键和值），可用于加速序列解码。这通常包括在解码的先前阶段，当 use_cache=True 或 config.use_cache=True 时由模型返回的 past_key_values。

  允许两种格式：

  • 一个 Cache 实例，请参阅我们的 KV 缓存指南；
  • 长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor))，其中每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量。这也称为传统缓存格式。

  模型将输出与输入相同的缓存格式。如果没有传递 past_key_values，则将返回传统缓存格式。

  如果使用 past_key_values，用户可以选择只输入最后一个 input_ids（那些没有提供给该模型的过去键值状态的词元），其形状为 (batch_size, 1)，而不是所有形状为 (batch_size, sequence_length) 的 input_ids。

• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)，optional) — 可选地，你可以选择直接传递嵌入表示，而不是传递 input_ids。如果你希望比模型内部的嵌入查找矩阵更能控制如何将 input_ids 索引转换为相关向量，这将非常有用。
• use_cache (bool, optional) — 如果设置为 True，将返回 past_key_values 键值状态，并可用于加速解码（请参阅 past_key_values）。
• output_attentions (bool, optional) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量下的 attentions。
• output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的 hidden_states。
• return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通的元组。
• cache_position (torch.LongTensor，形状为 (sequence_length)，optional) — 描述输入序列词元在序列中位置的索引。与 position_ids 不同，此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。

一个 transformers.models.aria.modeling_aria.AriaModelOutputWithPast 或一个 `torch.FloatTensor` 元组（如果传递了 `return_dict=False` 或 `config.return_dict=False`），根据配置（AriaConfig）和输入包含各种元素。

• last_hidden_state (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选) — 模型最后一层输出的隐藏状态序列。

• past_key_values (tuple(tuple(torch.FloatTensor)), optional, 在传递 use_cache=True 或 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor))，其中每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量。

  包含预计算的隐藏状态（自注意力块中的键和值），可用于（参见 past_key_values 输入）加速顺序解码。

• hidden_states (tuple[torch.FloatTensor, ...], optional, 在传递 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，一个是嵌入层的输出，+ 每个层一个输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple[torch.FloatTensor, ...], optional, 在传递 output_attentions=True 或 config.output_attentions=True 时返回) — `torch.FloatTensor` 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。

• image_hidden_states (torch.FloatTensor, optional) — 大小为 (batch_size, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。由视觉编码器生成并在投影最后一个隐藏状态后得到的模型的 image_hidden_states。

参数

• pixel_values (torch.FloatTensor]，形状为 (batch_size, channels, height, width)) — 对应于输入图像的张量。
• pixel_mask (torch.FloatTensor], 可选) — 对应于输入图像掩码的张量。
• vision_feature_layer (Union[int, list[int]], 可选) — 用于选择视觉特征的层的索引。如果提供了多个索引，则相应索引的视觉特征将被连接起来形成视觉特征。

形状为 (num_images, image_length, embed_dim) 的图像特征张量。

参数

• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length), 可选) — 词汇表中输入序列标记的索引。默认情况下，填充将被忽略。

  可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 ID？

• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length), 可选) — 用于避免对填充标记索引执行注意力计算的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示标记未被掩码，
  • 0 表示标记被掩码。

  什么是注意力掩码？

• position_ids (torch.LongTensor，形状为 (batch_size, sequence_length), 可选) — 每个输入序列标记在位置嵌入中的位置索引。在 [0, config.n_positions - 1] 范围内选择。

  什么是位置 ID？

• past_key_values (~cache_utils.Cache, 可选) — 预先计算的隐藏状态（自注意力和交叉注意力块中的键和值），可用于加速顺序解码。这通常包括在解码的前一阶段，当 use_cache=True 或 config.use_cache=True 时，模型返回的 past_key_values。

  允许两种格式：

  • Cache 实例，请参阅我们的 kv 缓存指南；
  • 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量。这也称为旧版缓存格式。

  模型将输出与输入相同的缓存格式。如果没有传递 past_key_values，将返回旧版缓存格式。

  如果使用 past_key_values，用户可以选择只输入最后一个 input_ids（那些没有为其提供过去键值状态的标记），形状为 (batch_size, 1)，而不是所有形状为 (batch_size, sequence_length) 的 input_ids。

• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递 input_ids。如果您想比模型内部的嵌入查找矩阵更好地控制如何将 input_ids 索引转换为相关向量，这将非常有用。
• labels (torch.LongTensor，形状为 (batch_size, sequence_length), 可选) — 用于计算掩码语言建模损失的标签。索引应在 [0, ..., config.vocab_size] 或 -100 (参见 input_ids 文档字符串) 中。索引设置为 -100 的标记将被忽略 (掩码)，损失仅对标签在 [0, ..., config.vocab_size] 中的标记计算。
• use_cache (bool, 可选) — 如果设置为 True，则返回 past_key_values 键值状态，可用于加速解码（参见 past_key_values）。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的 hidden_states。
• cache_position (torch.LongTensor，形状为 (sequence_length), 可选) — 描绘输入序列标记在序列中位置的索引。与 position_ids 相反，此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。
• logits_to_keep (Union[int, torch.Tensor], 默认为 0) — 如果是 int，则计算最后 logits_to_keep 个标记的 logits。如果为 0，则计算所有 input_ids 的 logits（特殊情况）。生成时只需要最后一个标记的 logits，仅为此标记计算可以节省内存，这对于长序列或大词汇表大小来说非常重要。如果是一个 torch.Tensor，必须是 1D 的，对应于在序列长度维度中要保留的索引。这在使用打包张量格式（批处理和序列长度的单个维度）时很有用。

一个 transformers.modeling_outputs.CausalLMOutputWithPast 或一个 `torch.FloatTensor` 元组（如果传递了 `return_dict=False` 或当 `config.return_dict=False` 时），根据配置（AriaConfig）和输入，包含各种元素。

• loss (torch.FloatTensor 形状为 (1,)，可选，当提供 labels 时返回) — 语言建模损失（用于下一个 token 预测）。

• logits (形状为 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 语言建模头部的预测分数（SoftMax 之前的每个词汇标记的分数）。

• past_key_values (Cache, optional, 在传递 use_cache=True 或 config.use_cache=True 时返回) — 这是一个 Cache 实例。有关更多详细信息，请参阅我们的 KV 缓存指南。

  包含预计算的隐藏状态（自注意力块中的键和值），可用于（参见 past_key_values 输入）加速顺序解码。

• hidden_states (tuple(torch.FloatTensor), optional, 在传递 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，一个是嵌入层的输出，+ 每个层一个输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 在传递 output_attentions=True 或 config.output_attentions=True 时返回) — `torch.FloatTensor` 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)) — 词汇表中输入序列标记的索引。默认情况下，填充将被忽略。

  可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 ID？

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)) — 对应于输入图像的张量。可以使用 {image_processor_class} 获取像素值。有关详细信息，请参阅 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 处理图像)。
• pixel_mask (torch.LongTensor，形状为 (batch_size, height, width)) — 用于避免对填充像素值执行注意力计算的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示像素是真实的 (即 未被掩码)，
  • 0 表示像素是填充的 (即 被掩码)。

  什么是注意力掩码？

• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length), 可选) — 用于避免对填充标记索引执行注意力计算的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示标记未被掩码，
  • 0 表示标记被掩码。

  什么是注意力掩码？

• position_ids (torch.LongTensor，形状为 (batch_size, sequence_length), 可选) — 每个输入序列标记在位置嵌入中的位置索引。在 [0, config.n_positions - 1] 范围内选择。

  什么是位置 ID？

• past_key_values (list[torch.FloatTensor], 可选) — 预先计算的隐藏状态（自注意力和交叉注意力块中的键和值），可用于加速顺序解码。这通常包括在解码的前一阶段，当 use_cache=True 或 config.use_cache=True 时，模型返回的 past_key_values。

  允许两种格式：

  • Cache 实例，请参阅我们的 kv 缓存指南；
  • 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量。这也称为旧版缓存格式。

  模型将输出与输入相同的缓存格式。如果没有传递 past_key_values，将返回旧版缓存格式。

  如果使用 past_key_values，用户可以选择只输入最后一个 input_ids（那些没有为其提供过去键值状态的标记），形状为 (batch_size, 1)，而不是所有形状为 (batch_size, sequence_length) 的 input_ids。

• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递 input_ids。如果您想比模型内部的嵌入查找矩阵更好地控制如何将 input_ids 索引转换为相关向量，这将非常有用。
• labels (torch.LongTensor，形状为 (batch_size, sequence_length), 可选) — 用于计算掩码语言建模损失的标签。索引应在 [0, ..., config.vocab_size] 或 model.image_token_id 中（其中 model 是您的 AriaForConditionalGeneration 实例）。索引设置为 model.image_token_id 的标记将被忽略（掩码），损失仅对标签在 [0, ..., config.vocab_size] 中的标记计算。
• use_cache (bool, 可选) — 如果设置为 True，则返回 past_key_values 键值状态，可用于加速解码（参见 past_key_values）。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。
• logits_to_keep (Union[int, torch.Tensor], 默认为 0) — 如果是 int，则计算最后 logits_to_keep 个标记的 logits。如果为 0，则计算所有 input_ids 的 logits（特殊情况）。生成时只需要最后一个标记的 logits，仅为此标记计算可以节省内存，这对于长序列或大词汇表大小来说非常重要。如果是一个 torch.Tensor，必须是 1D 的，对应于在序列长度维度中要保留的索引。这在使用打包张量格式（批处理和序列长度的单个维度）时很有用。
• cache_position (torch.LongTensor，形状为 (sequence_length), 可选) — 描绘输入序列标记在序列中位置的索引。与 position_ids 相反，此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。

一个 transformers.models.aria.modeling_aria.AriaCausalLMOutputWithPast 或一个 `torch.FloatTensor` 元组（如果传递了 `return_dict=False` 或当 `config.return_dict=False` 时），根据配置（AriaConfig）和输入，包含各种元素。

• loss (torch.FloatTensor 形状为 (1,)，可选，当提供 labels 时返回) — 语言建模损失（用于下一个 token 预测）。

• logits (形状为 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 语言建模头部的预测分数（SoftMax 之前的每个词汇标记的分数）。

• past_key_values (tuple(tuple(torch.FloatTensor)), optional, 在传递 use_cache=True 或 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor))，其中每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量。

  包含预计算的隐藏状态（自注意力块中的键和值），可用于（参见 past_key_values 输入）加速顺序解码。

• hidden_states (tuple[torch.FloatTensor], 可选, 当传递 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组 (如果模型有嵌入层，则一个用于嵌入层的输出，+ 一个用于每个层的输出)，形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple[torch.FloatTensor], 可选, 当传递 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组 (每层一个)，形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。

• image_hidden_states (torch.FloatTensor, optional) — 大小为 (batch_size, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。由视觉编码器生成并在投影最后一个隐藏状态后得到的模型的 image_hidden_states。