Transformers 文档
EXAONE 4.5
并获得增强的文档体验
开始使用
该模型于 2026 年 4 月 9 日在 HF papers 上发布，并于 2026 年 5 月 4 日贡献给 Hugging Face Transformers。
EXAONE 4.5
概述
EXAONE 4.5 模型是 LG AI 研究院开发的首个开放权重视觉语言模型。通过将专用的视觉编码器集成到现有的 EXAONE 4.0 框架中，我们将模型的能力扩展到了多模态领域。EXAONE 4.5 总计拥有 330 亿参数，其中包含 12 亿参数的视觉编码器。EXAONE 4.5 在通用基准测试中表现出色，在文档理解和韩语语境推理方面超越了同等规模的最先进（SOTA）模型，同时继承了我们先前语言模型强大的语言处理能力。
EXAONE 4.5 在 EXAONE 4.0 的基础上进行了几项关键改进。词汇表大小已扩展至 153,600，上下文窗口现支持高达 256K 个 token。此外，还引入了多 Token 预测（MTP）机制，进一步提升了模型的性能。
所有模型权重（包括量化版本）均可在 Hugging Face 合集中获取。
使用技巧
为了达到预期的性能，我们建议使用以下配置：
- 对于通用任务，建议使用
temperature=1.0,top_p=0.95,presence_penalty=1.5。- 对于 OCR/文档相关任务以及韩语输入，建议使用
temperature=0.6,top_p=0.95,presence_penalty=1.5,top_k=20。- 对于纯文本输入，建议使用
temperature=1.0,top_p=0.95。- 与 EXAONE-4.0 不同，EXAONE 4.5 默认使用
enable_thinking=True。因此，当您想要使用非推理模式时，需要将enable_thinking=False设置为开启。- EXAONE 4.5 更倾向于使用
\boxed{}格式来回答问题。为了获得更好的解析准确性，我们建议配合相应的格式指令使用此格式。
对于需要精确结果的任务，您可以在推理模式下运行 EXAONE 4.5 模型；而对于延迟比准确性更重要的任务，则可以在非推理模式下运行 EXAONE 4.5 模型。
以下是在推理模式下使用 EXAONE 4.5 模型的示例代码：
import torch
from transformers import AutoProcessor, AutoModelForImageTextToText
from transformers.image_utils import load_image
model_id = "LGAI-EXAONE/EXAONE-4.5-33B"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(
model_id,
device_map="auto",
)
image_url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"
image = load_image(image_url)
messages = [
{
"role": "user",
"content": [
{"type": "image", "image": image_url},
{"type": "text", "text": "Describe the image."},
],
}
]
text = processor.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True,
enable_thinking=True, # default: True
)
inputs = processor(
text=[text],
images=[image],
padding=True,
return_tensors="pt",
)
inputs = inputs.to(model.device)
generated_ids = model.generate(**inputs, max_new_tokens=64)
generated_text = processor.batch_decode(
generated_ids[:, inputs["input_ids"].shape[-1]:],
skip_special_tokens=True,
)[0]
print(generated_text)Exaone4_5_Config
class transformers.Exaone4_5_Config
< 源码 >( transformers_version: str | None = None architectures: list[str] | None = None output_hidden_states: bool | None = False return_dict: bool | None = True dtype: typing.Union[str, ForwardRef('torch.dtype'), NoneType] = None chunk_size_feed_forward: int = 0 is_encoder_decoder: bool = False id2label: dict[int, str] | dict[str, str] | None = None label2id: dict[str, int] | dict[str, str] | None = None problem_type: typing.Optional[typing.Literal['regression', 'single_label_classification', 'multi_label_classification']] = None text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None vision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None image_token_id: int = 67 video_token_id: int = 68 tie_word_embeddings: bool = False )
参数
- text_config (
Union[dict, ~configuration_utils.PreTrainedConfig], 可选) — 文本主干（text backbone）的配置对象或字典。 - vision_config (
Union[dict, ~configuration_utils.PreTrainedConfig], 可选) — 视觉主干（vision backbone）的配置对象或字典。 - image_token_id (
int, 可选, 默认为67) — 用作输入图像占位符的图像 token 索引。 - video_token_id (
int, 可选, 默认为68) — 用作输入视频占位符的视频 token 索引。 - tie_word_embeddings (
bool, 可选, 默认为False) — 是否根据模型的tied_weights_keys映射来绑定权重嵌入。
这是用于存储 Exaone4_5_Model 配置的配置类。它根据指定的参数实例化一个 Exaone 4.5 模型，从而定义模型架构。使用默认值实例化配置将产生与 LGAI-EXAONE/EXAONE-4.5-33B 类似的配置。
配置对象继承自 PreTrainedConfig，可用于控制模型输出。阅读 PreTrainedConfig 的文档以获取更多信息。
Exaone4_5_VisionConfig
class transformers.Exaone4_5_VisionConfig
< 源码 >( transformers_version: str | None = None architectures: list[str] | None = None output_hidden_states: bool | None = False return_dict: bool | None = True dtype: typing.Union[str, ForwardRef('torch.dtype'), NoneType] = None chunk_size_feed_forward: int = 0 is_encoder_decoder: bool = False id2label: dict[int, str] | dict[str, str] | None = None label2id: dict[str, int] | dict[str, str] | None = None problem_type: typing.Optional[typing.Literal['regression', 'single_label_classification', 'multi_label_classification']] = None depth: int = 32 hidden_size: int = 3584 hidden_act: str = 'silu' intermediate_size: int = 3420 num_heads: int = 16 in_channels: int = 3 patch_size: int | list[int] | tuple[int, int] = 14 spatial_merge_size: int = 2 temporal_patch_size: int | list[int] | tuple[int, int] = 2 tokens_per_second: int = 4 window_size: int = 112 out_hidden_size: int = 3584 fullatt_block_indexes: list[int] | tuple[int, ...] = (7, 15, 23, 31) initializer_range: float = 0.02 num_key_value_heads: int = 8 )
参数
- depth (
int, 可选, 默认为32) — 视觉编码器中 Transformer 层的数量。 - hidden_size (
int, 可选, 默认为3584) — 隐藏表示的维度。 - hidden_act (
str, 可选, 默认为silu) — 解码器中的非线性激活函数（函数名或字符串）。例如："gelu","relu","silu"等。 - intermediate_size (
int, 可选, 默认为3420) — MLP 表示的维度。 - num_heads (
int, 可选, 默认为16) — Transformer 解码器中每个注意力层的注意力头数量。 - in_channels (
int, 可选, 默认为3) — 输入通道的数量。 - patch_size (
Union[int, list[int], tuple[int, int]], 可选, 默认为14) — 每个 patch 的大小（分辨率）。 - spatial_merge_size (
int, 可选, 默认为2) — 用于通过合并相邻 patch 来减少视觉 token 数量的空间合并窗口大小。 - temporal_patch_size (
Union[int, list[int], tuple[int, int]], 可选, 默认为2) — 用于视频输入 3D patch 嵌入的时序 patch 大小。 - tokens_per_second (
int, 可选, 默认为4) — 每秒视频需要合并的 token 数量。 - window_size (
int, 可选, 默认为112) — 窗口的大小。 - out_hidden_size (
int, 可选, 默认为3584) — 视觉模型的输出隐藏维度大小。 - fullatt_block_indexes (
list[int], 可选, 默认为[7, 15, 23, 31]) — 具有全注意力（full attention）的层索引。 - initializer_range (
float, 可选, 默认值为0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - num_key_value_heads (
int, 可选, 默认值为8) — 这是用于实现分组查询注意力（Grouped Query Attention, GQA）的键值（key_value）头数。如果num_key_value_heads=num_attention_heads，模型将使用多头注意力（MHA）；如果num_key_value_heads=1，模型将使用多查询注意力（MQA）；否则使用 GQA。在将多头检查点转换为 GQA 检查点时，每个组的键和值头应通过对该组内的所有原始头进行平均池化来构建。更多详细信息，请查看这篇论文。如果未指定，将默认等于num_attention_heads。
这是用于存储 Exaone4_5_Model 配置的配置类。它根据指定的参数实例化一个 Exaone 4.5 模型，从而定义模型架构。使用默认值实例化配置将产生与 LGAI-EXAONE/EXAONE-4.5-33B 类似的配置。
配置对象继承自 PreTrainedConfig，可用于控制模型输出。阅读 PreTrainedConfig 的文档以获取更多信息。
Exaone4_5_Processor
class transformers.Exaone4_5_Processor
< 来源 >( image_processor = None tokenizer = None video_processor = None chat_template = None **kwargs )
构建一个 Exaone4_5_Processor，它将图像处理器、分词器和视频处理器封装到一个单一的处理器中。
Exaone4_5_Processor 提供了 Qwen2VLImageProcessor、tokenizer_class 和 Qwen2VLVideoProcessor 的所有功能。更多信息请参阅 ~Qwen2VLImageProcessor、~tokenizer_class 和 ~Qwen2VLVideoProcessor。
post_process_image_text_to_text
< 来源 >( generated_outputs skip_special_tokens = True clean_up_tokenization_spaces = False **kwargs ) → list[str]
参数
- generated_outputs (
torch.Tensor或np.ndarray) — 模型generate函数的输出。预期输出为一个形状为(batch_size, sequence_length)或(sequence_length,)的张量。 - skip_special_tokens (
bool, 可选, 默认值为True) — 是否在输出中移除特殊标记。此参数会传递给分词器的batch_decode方法。 - clean_up_tokenization_spaces (
bool, 可选, 默认值为False) — 是否清理分词产生的空格。此参数会传递给分词器的batch_decode方法。 - **kwargs — 传递给分词器
batch_decode方法的其他附加参数。
返回
list[str]
解码后的文本。
后处理模型输出以解码文本。
Exaone4_5_VisionModel
forward
< 来源 >( hidden_states: Tensor grid_thw: Tensor **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → torch.Tensor
Exaone4_5_Model
class transformers.Exaone4_5_Model
< 来源 >( config: Exaone4_5_Config )
参数
- config (Exaone4_5_Config) — 具有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
裸的 Exaone4 5 模型，输出原始隐藏状态，顶部没有任何特定的头。
该模型继承自 PreTrainedModel。请查看超类文档以了解该库为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、剪枝头部等）。
此模型也是一个 PyTorch torch.nn.Module 子类。像普通的 PyTorch Module 一样使用它，并参考 PyTorch 文档了解一般用法和行为的所有相关信息。
forward
< 来源 >( input_ids: torch.LongTensor | None = None attention_mask: torch.Tensor | None = None position_ids: torch.LongTensor | None = None past_key_values: transformers.cache_utils.Cache | None = None inputs_embeds: torch.FloatTensor | None = None use_cache: bool | None = None pixel_values: torch.Tensor | None = None pixel_values_videos: torch.FloatTensor | None = None image_grid_thw: torch.LongTensor | None = None video_grid_thw: torch.LongTensor | None = None second_per_grid_ts: torch.Tensor | None = None **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → 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。填充（Padding）将默认被忽略。索引可以使用 AutoTokenizer 获取。详情请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (形状为
(batch_size, sequence_length)的torch.Tensor，可选) — 用于避免对填充标记索引执行注意力计算的掩码。掩码值选择范围为[0, 1]：- 1 表示未被掩码的标记，
- 0 表示被掩码的标记。
- 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（自注意力模块和交叉注意力模块中的键和值），可用于加速顺序解码。这通常包含模型在先前解码阶段返回的past_key_values，当use_cache=True或config.use_cache=True时使用。仅允许使用 Cache 实例作为输入，请参阅我们的 kv 缓存指南。如果未传入
past_key_values，将默认初始化 DynamicCache。模型将输出与输入时相同格式的缓存。
如果使用
past_key_values，用户应仅输入形状为(batch_size, unprocessed_length)的未处理input_ids（即其键值状态尚未提供给此模型的input_ids），而不是形状为(batch_size, sequence_length)的所有input_ids。 - inputs_embeds (形状为
(batch_size, sequence_length, hidden_size)的torch.FloatTensor，可选) — 可选地，你可以选择直接传入嵌入表示，而不是传入input_ids。如果你想比模型内部的嵌入查找矩阵更灵活地控制如何将input_ids索引转换为相关向量，这非常有用。 - use_cache (
bool，可选) — 如果设为True，将返回past_key_values键值状态，并可用于加速解码（参见past_key_values）。 - pixel_values (形状为
(batch_size, num_channels, image_size, image_size)的torch.Tensor，可选) — 对应于输入图像的张量。像素值可以使用 Qwen2VLImageProcessor 获取。详细信息请参阅Qwen2VLImageProcessor.__call__()（Exaone4_5_Processor 使用 Qwen2VLImageProcessor 处理图像）。 - pixel_values_videos (形状为
(batch_size, num_frames, num_channels, frame_size, frame_size)的torch.FloatTensor，可选) — 对应于输入视频的张量。视频的像素值可以使用 Qwen2VLVideoProcessor 获取。详细信息请参阅Qwen2VLVideoProcessor.__call__()（Exaone4_5_Processor 使用 Qwen2VLVideoProcessor 处理视频）。 - image_grid_thw (形状为
(num_images, 3)的torch.LongTensor，可选) — LLM 中每张图像特征形状的时间、高度和宽度。 - video_grid_thw (形状为
(num_videos, 3)的torch.LongTensor，可选) — LLM 中每个视频特征形状的时间、高度和宽度。 - second_per_grid_ts (形状为
(num_videos)的torch.Tensor，可选) — 3D 位置 ID 中时间维度上每个网格的时间间隔（以秒为单位）。
返回
BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
一个 BaseModelOutputWithPast 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），根据配置（Exaone4_5_Config）和输入，包含各种元素。
Exaone4_5_Model 的前向传播方法，覆盖了 __call__ 特殊方法。
虽然 forward pass 的实现需要在此函数中定义，但你应该在之后调用
Module实例而不是这个，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
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config.use_cache=True时返回) — 这是一个 Cache 实例。欲了解更多细节，请参阅我们的 KV 缓存指南。Contains pre-computed hidden-states (key and values in the self-attention blocks and optionally if
config.is_encoder_decoder=Truein the cross-attention blocks) that can be used (seepast_key_valuesinput) to speed up sequential decoding.hidden_states (
tuple(torch.FloatTensor), optional, 当传递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；+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), optional, 当传递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。
Exaone4_5_ForConditionalGeneration
主要的 EXAONE 4.5 条件生成类。
注意：与 Qwen2VL 不同，EXAONE 4.5 视觉编码器使用 2D 旋转位置嵌入（2D-RoPE），并在整个多模态堆栈中采用分组查询注意力（GQA）结构。
forward
< 源码 >( input_ids: torch.LongTensor | None = None attention_mask: torch.Tensor | None = None position_ids: torch.LongTensor | None = None past_key_values: transformers.cache_utils.Cache | None = None inputs_embeds: torch.FloatTensor | None = None labels: torch.LongTensor | None = None use_cache: bool | None = None pixel_values: torch.Tensor | None = None pixel_values_videos: torch.FloatTensor | None = None image_grid_thw: torch.LongTensor | None = None video_grid_thw: torch.LongTensor | None = None second_per_grid_ts: torch.Tensor | None = None logits_to_keep: int | torch.Tensor = 0 **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → 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。索引可以使用 AutoTokenizer 获取。详细信息请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (形状为
(batch_size, sequence_length)的torch.Tensor，可选) — 用于避免对填充标记索引执行注意力计算的掩码。掩码值选择范围为[0, 1]：- 1 表示未被掩码的标记，
- 0 表示被掩码的标记。
- 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（自注意力模块和交叉注意力模块中的键和值），可用于加速顺序解码。这通常包含模型在先前解码阶段返回的past_key_values，当use_cache=True或config.use_cache=True时使用。仅允许使用 Cache 实例作为输入，请参阅我们的 kv 缓存指南。如果未传入
past_key_values，将默认初始化 DynamicCache。模型将输出与输入时相同格式的缓存。
如果使用
past_key_values，用户应仅输入形状为(batch_size, unprocessed_length)的未处理input_ids（即其键值状态尚未提供给此模型的input_ids），而不是形状为(batch_size, sequence_length)的所有input_ids。 - inputs_embeds (形状为
(batch_size, sequence_length, hidden_size)的torch.FloatTensor，可选) — 可选地，你可以选择直接传入嵌入表示，而不是传入input_ids。如果你想比模型内部的嵌入查找矩阵更灵活地控制如何将input_ids索引转换为相关向量，这非常有用。 - 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]范围内，或为 -100（参见input_ids文档字符串）。索引设置为-100的标记将被忽略（掩码），损失仅针对标签在[0, ..., config.vocab_size]范围内的标记进行计算。 - use_cache (
bool，可选) — 如果设为True，将返回past_key_values键值状态，并可用于加速解码（参见past_key_values）。 - pixel_values (
torch.Tensor，形状为(batch_size, num_channels, image_size, image_size)，可选) — 对应于输入图像的张量。像素值可以使用 Qwen2VLImageProcessor 获取。详细信息请参阅Qwen2VLImageProcessor.__call__()（Exaone4_5_Processor 使用 Qwen2VLImageProcessor 来处理图像）。 - pixel_values_videos (
torch.FloatTensor，形状为(batch_size, num_frames, num_channels, frame_size, frame_size)，可选) — 对应于输入视频的张量。视频的像素值可以使用 Qwen2VLVideoProcessor 获取。详细信息请参阅Qwen2VLVideoProcessor.__call__()（Exaone4_5_Processor 使用 Qwen2VLVideoProcessor 来处理视频）。 - image_grid_thw (
torch.LongTensor，形状为(num_images, 3)，可选) — LLM 中每张图像特征形状的时间、高度和宽度。 - video_grid_thw (
torch.LongTensor，形状为(num_videos, 3)，可选) — LLM 中每个视频特征形状的时间、高度和宽度。 - second_per_grid_ts (
torch.Tensor，形状为(num_videos)，可选) — 3D 位置 ID 中沿时间维度的每个网格的时间间隔（以秒为单位）。 - logits_to_keep (
Union[int, torch.Tensor]，可选，默认为0) — 如果是int，则计算最后logits_to_keep个 token 的 logits。如果为0，则计算所有input_ids的 logits（特殊情况）。生成时仅需要最后一个 token 的 logits，仅计算该 token 的 logits 可以节省内存，这对于长序列或大词汇量的情况非常重要。如果是torch.Tensor，则必须是对应于序列长度维度中要保留的索引的一维张量。这在混合使用张量格式（批次和序列长度使用单一维度）时非常有用。
返回
CausalLMOutputWithPast or tuple(torch.FloatTensor)
一个 CausalLMOutputWithPast 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或者当 config.return_dict=False 时），包含根据配置（Exaone4_5_Config）和输入而定的各种元素。
Exaone4_5_ForConditionalGeneration 的 forward 方法，重写了 __call__ 特殊方法。
虽然 forward pass 的实现需要在此函数中定义，但你应该在之后调用
Module实例而不是这个，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
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config.use_cache=True时返回) — 这是一个 Cache 实例。欲了解更多细节，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, 当传递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；+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), optional, 当传递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。
示例
>>> from transformers import AutoProcessor, Exaone4_5_ForConditionalGeneration
>>> import torch
>>> model = Exaone4_5_ForConditionalGeneration.from_pretrained("LGAI-EXAONE/EXAONE-4.5-33B")
>>> processor = AutoProcessor.from_pretrained("LGAI-EXAONE/EXAONE-4.5-33B")
>>> messages = [
... {
... "role": "user",
... "content": [
... {"type": "image", "image": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"},
... {"type": "text", "text": "Describe the image."},
... ],
... }
... ]
>>> inputs = processor.apply_chat_template(
... messages, tokenize=True, add_generation_prompt=True, return_dict=True, return_tensors="pt"
... )
>>> inputs = {k: v.to(model.device) if isinstance(v, torch.Tensor) else v for k, v in inputs.items()}
>>> generated_ids = model.generate(**inputs, max_new_tokens=64)