Hugging Face 的 LOGO

Transformers 文档

dots.llm1

Hugging Face's logo
加入 Hugging Face 社区

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

< >

( 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。

示例

>>> from transformers import Dots1Model, Dots1Config

>>> # Initializing a Dots1 style configuration
>>> configuration = Dots1Config()

>>> # Accessing the model configuration
>>> configuration = model.config

Dots1Model

class transformers.Dots1Model

< >

( 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

< >

( 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()。

    什么是输入 ID？

  • 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。

    什么是注意力掩码？

  • 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]。

    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

< >

( 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

< >

( 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()。

    什么是输入 ID？

  • 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。

    什么是注意力掩码？

  • 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]。

    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."
< > 在 GitHub 上更新

←DistilBERT DPR→