Transformers 文档
dots.llm1
并获得增强的文档体验
开始使用
dots.llm1
概述
dots.llm1 模型由 rednote-hilab 团队在 dots.llm1 技术报告中提出。
报告摘要如下：
混合专家（MoE）模型已成为高效扩展语言模型的一种有前景的范式，它通过仅激活每个输入词元的部分参数来实现。在本报告中，我们介绍了 dots.llm1，一个大规模 MoE 模型，它在总共 142B 参数中激活 14B 参数，在降低训练和推理成本的同时，实现了与最先进模型相当的性能。利用我们精心设计的高效数据处理管道，dots.llm1 在高质量语料库上预训练并进行后期训练以充分释放其能力后，达到了与 Qwen2.5-72B 相当的性能。值得注意的是，预训练期间没有使用合成数据。为了促进进一步的研究，我们开源了涵盖整个训练过程的中间训练检查点，为大型语言模型的学习动态提供了宝贵的见解。
Dots1Config
class transformers.Dots1Config
< 来源 >( 词汇表大小 = 152064 隐藏层大小 = 4608 中间层大小 = 10944 MoE中间层大小 = 1408 隐藏层数量 = 62 注意力头数量 = 32 键值头数量 = 32 共享专家数量 = 无 路由专家数量 = 无 组数 = 1 topk_组 = 1 每个词元的专家数量 = 无 first_k_dense_replace = 0 norm_topk_prob = False 隐藏激活 = 'silu' 最大位置嵌入 = 2048 初始化范围 = 0.02 rms_norm_eps = 1e-06 使用缓存 = True 绑定词嵌入 = False rope_theta = 10000.0 rope_scaling = 无 注意力偏置 = False 注意力丢弃 = 0.0 路由缩放因子 = 1.0 滑动窗口 = 4096 最大窗口层 = 62 层类型 = 无 **kwargs )
参数
- vocab_size (
int, 可选, 默认为 152064) — 模型的词汇表大小。定义了调用 Dots1Model 时传入的input_ids可以表示的不同词元的数量。 - hidden_size (
int, 可选, 默认为 4608) — 隐藏表示的维度。 - intermediate_size (
int, 可选, 默认为 10944) — MLP 表示的维度。 - moe_intermediate_size (
int, 可选, 默认为 1408) — MoE 表示的维度。 - num_hidden_layers (
int, 可选, 默认为 62) — Transformer 解码器中的隐藏层数量。 - num_attention_heads (
int, 可选, 默认为 32) — Transformer 解码器中每个注意力层的注意力头数量。 - num_key_value_heads (
int, 可选, 默认为 32) — 分组查询注意力的键/值头数量。如果num_key_value_heads=num_attention_heads，则使用多头注意力 (MHA)。如果num_key_value_heads=1，则使用多查询注意力 (MQA)。否则，使用分组查询注意力 (GQA)。如果未指定，默认为num_attention_heads。 - n_shared_experts (
int, 可选, 默认为 None) — 共享专家的数量。None 表示稠密模型。 - n_routed_experts (
int, 可选, 默认为 None) — 路由专家的数量。None 表示稠密模型。 - n_group (
int, 可选, 默认为 1) — 路由专家的组数。 - topk_group (
int, 可选, 默认为 1) — 每个词元选择的组数（仅在topk_group组中选择专家）。 - num_experts_per_tok (
int, 可选, 默认为 None) — 选择的专家数量。None 表示稠密模型。 - first_k_dense_replace (
int, 可选, 默认为 0) — 模型开头第一个 MoE 层之前的稠密层数量。 - norm_topk_prob (
bool, 可选, 默认为False) — 是否对路由专家的权重进行归一化。 - hidden_act (
str或function, 可选, 默认为"silu") — 非线性激活函数（函数或字符串）。 - max_position_embeddings (
int, 可选, 默认为 2048) — 模型可能使用的最大序列长度。 - initializer_range (
float, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的截断正态分布初始化器的标准差。 - rms_norm_eps (
float, 可选, 默认为 1e-06) — RMS 归一化层使用的 epsilon。 - use_cache (
bool, 可选, 默认为True) — 模型是否应返回最后一个键/值注意力。仅在config.is_decoder=True时相关。 - tie_word_embeddings (
bool, 可选, 默认为False) — 是否绑定输入和输出词嵌入。 - rope_theta (
float, 可选, 默认为 10000.0) — RoPE 嵌入的基准周期。 - rope_scaling (
dict, 可选) — RoPE 嵌入的缩放字典。支持{"type": 策略名称, "factor": 缩放因子}。 - attention_bias (
bool, 可选, 默认为False) — 是否在自注意力投影中使用偏置。 - attention_dropout (
float, 可选, 默认为 0.0) — 注意力概率的丢弃率。 - routed_scaling_factor (
float, 可选, 默认为 1.0) — 路由专家的缩放因子。 - sliding_window (
int, 可选, 默认为 4096) — 注意力滑动窗口的大小。如果未指定，默认为4096。 - max_window_layers (
int, 可选, 默认为 62) — 使用全注意力的层数。前max_window_layers层将使用全注意力，之后的所有附加层将使用滑动窗口注意力 (SWA)。 - layer_types (
list, 可选) — 每层的注意力模式。
这是一个配置类，用于存储 Dots1Model 的配置。它用于根据指定的参数实例化 dots.llm1 模型，定义模型架构。使用默认值实例化配置将生成与 rednote-hilab/dots.llm1.base 类似的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请阅读 PretrainedConfig 的文档。
Dots1Model
class transformers.Dots1Model
< 来源 >( 配置: Dots1Config )
参数
- config (Dots1Config) — 模型的配置类，包含模型的所有参数。使用配置文件初始化时，不会加载与模型相关的权重，只加载配置。请查看 from_pretrained() 方法加载模型权重。
原始的 Dots1 模型输出原始隐藏状态，顶部没有特定的头部。
该模型继承自 PreTrainedModel。请查看超类文档，了解库为其所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、修剪头部等）。
此模型也是 PyTorch torch.nn.Module 的子类。请将其作为常规 PyTorch 模块使用，并参考 PyTorch 文档了解所有与一般用法和行为相关的事项。
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[transformers.cache_utils.Cache] = 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 cache_position: typing.Optional[torch.LongTensor] = None **flash_attn_kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) → transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (形状为
(batch_size, sequence_length)的torch.LongTensor，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，请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (形状为
(batch_size, sequence_length)的torch.Tensor，可选) — 避免对填充标记索引执行注意力操作的掩码。掩码值选择在[0, 1]中：- 1 表示未被掩盖的标记，
- 0 表示被掩盖的标记。
- position_ids (形状为
(batch_size, sequence_length)的torch.LongTensor，可选) — 每个输入序列标记在位置嵌入中的位置索引。选择范围为[0, config.n_positions - 1]。 - past_key_values (
~cache_utils.Cache，可选) — 预先计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常包括模型在解码上一阶段返回的past_key_values，当use_cache=True或config.use_cache=True时。允许两种格式：
- Cache 实例，请参阅我们的 kv cache 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）。这也被称为旧版缓存格式。
模型将输出与输入相同的缓存格式。如果没有传入
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（那些没有将过去的键值状态提供给此模型的）的形状为(batch_size, 1)，而不是所有input_ids的形状为(batch_size, sequence_length)。 - inputs_embeds (形状为
(batch_size, sequence_length, hidden_size)的torch.FloatTensor，可选) — （可选）您可以选择直接传入嵌入表示，而不是传入input_ids。如果您希望对如何将input_ids索引转换为关联向量具有比模型内部嵌入查找矩阵更多的控制权，这将非常有用。 - use_cache (
bool，可选) — 如果设置为True，将返回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，请参见返回张量下的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，请参见返回张量下的hidden_states。 - cache_position (形状为
(sequence_length)的torch.LongTensor，可选) — 描述输入序列标记在序列中的位置的索引。与position_ids不同，此张量不受填充影响。它用于在正确位置更新缓存并推断完整的序列长度。
返回
transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPast 或 torch.FloatTensor 的元组 (如果传入 return_dict=False 或当 config.return_dict=False 时)，包含根据配置 (Dots1Config) 和输入而变化的各种元素。
-
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，可选，当传入use_cache=True或当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，则可选地包含交叉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，当传入output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入层的输出，如果模型有嵌入层，再加上每个层的输出），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，当传入output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor的元组（每个层一个），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。
Dots1Model 的 forward 方法，覆盖了 __call__ 特殊方法。
尽管前向传播的配方需要在该函数中定义，但此后应调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者则默默地忽略它们。
Dots1ForCausalLM
class transformers.Dots1ForCausalLM
< 源 >( config )
参数
- config (Dots1ForCausalLM) — 模型的配置类，包含模型的所有参数。使用配置文件初始化时，不会加载与模型相关的权重，只加载配置。请查看 from_pretrained() 方法加载模型权重。
用于因果语言建模的 Dots1 模型。
该模型继承自 PreTrainedModel。请查看超类文档，了解库为其所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、修剪头部等）。
此模型也是 PyTorch torch.nn.Module 的子类。请将其作为常规 PyTorch 模块使用，并参考 PyTorch 文档了解所有与一般用法和行为相关的事项。
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[transformers.cache_utils.Cache] = 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 cache_position: typing.Optional[torch.LongTensor] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 **kwargs: typing_extensions.Unpack[transformers.models.dots1.modeling_dots1.KwargsForCausalLM] ) → transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (形状为
(batch_size, sequence_length)的torch.LongTensor，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，请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (形状为
(batch_size, sequence_length)的torch.Tensor，可选) — 避免对填充标记索引执行注意力操作的掩码。掩码值选择在[0, 1]中：- 1 表示未被掩盖的标记，
- 0 表示被掩盖的标记。
- position_ids (形状为
(batch_size, sequence_length)的torch.LongTensor，可选) — 每个输入序列标记在位置嵌入中的位置索引。选择范围为[0, config.n_positions - 1]。 - past_key_values (
~cache_utils.Cache，可选) — 预先计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常包括模型在解码上一阶段返回的past_key_values，当use_cache=True或config.use_cache=True时。允许两种格式：
- Cache 实例，请参阅我们的 kv cache 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）。这也被称为旧版缓存格式。
模型将输出与输入相同的缓存格式。如果没有传入
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（那些没有将过去的键值状态提供给此模型的）的形状为(batch_size, 1)，而不是所有input_ids的形状为(batch_size, sequence_length)。 - inputs_embeds (形状为
(batch_size, sequence_length, hidden_size)的torch.FloatTensor，可选) — （可选）您可以选择直接传入嵌入表示，而不是传入input_ids。如果您希望对如何将input_ids索引转换为关联向量具有比模型内部嵌入查找矩阵更多的控制权，这将非常有用。 - labels (形状为
(batch_size, sequence_length)的torch.LongTensor，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)，损失仅为标签在[0, ..., config.vocab_size]中的标记计算。 - use_cache (
bool，可选) — 如果设置为True，将返回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，请参见返回张量下的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，请参见返回张量下的hidden_states。 - cache_position (形状为
(sequence_length)的torch.LongTensor，可选) — 描述输入序列标记在序列中的位置的索引。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。如果是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，并且仅计算该标记的 logits 可以节省内存，这对于长序列或大词汇表来说非常重要。如果是torch.Tensor，则必须是与序列长度维度中要保留的索引对应的 1D 张量。当使用打包张量格式（批次和序列长度的单个维度）时，这非常有用。
返回
transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.CausalLMOutputWithPast 或 torch.FloatTensor 的元组 (如果传入 return_dict=False 或当 config.return_dict=False 时)，包含根据配置 (Dots1Config) 和输入而变化的各种元素。
-
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，可选，当传入use_cache=True或当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)，可选，当传入output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入层的输出，如果模型有嵌入层，再加上每个层的输出），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，当传入output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor的元组（每个层一个），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。
Dots1ForCausalLM 的 forward 方法，覆盖了 __call__ 特殊方法。
尽管前向传播的配方需要在该函数中定义，但此后应调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者则默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, Dots1ForCausalLM
>>> model = Dots1ForCausalLM.from_pretrained("rednote-hilab/dots1.llm1.inst")
>>> tokenizer = AutoTokenizer.from_pretrained("rednote-hilab/dots1.llm1.inst")
>>> prompt = "Hey, are you conscious? Can you talk to me?"
>>> inputs = tokenizer(prompt, return_tensors="pt")
>>> # 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]
"Hey, are you conscious? Can you talk to me?\nI'm not conscious, but I can talk to you."