Transformers 文档
EXAONE MoE
并获得增强的文档体验
开始使用
该模型于 2025-12-31 发布，并于 2026-02-02 添加到 Hugging Face Transformers。
EXAONE MoE
概述
K-EXAONE 模型是由 LG AI Research 开发的大型多语言语言模型。K-EXAONE 基于名为 EXAONE-MoE 的混合专家（Mixture-of-Experts）架构构建，拥有 **总计 2360 亿** 参数，推理时激活 **230 亿** 参数。在各种基准测试中的性能评估表明，K-EXAONE 在推理、智能体能力、通用知识、多语言理解和长文本处理方面表现出色。
主要功能
- 架构与效率： 采用 236B 精细粒度 MoE 设计（激活 23B），并使用 **多 token 预测 (MTP)** 进行优化，实现自推断解码，将推理吞吐量提高约 1.5 倍。
- 长文本处理能力： 原生支持 **256K 上下文窗口**，采用 **3:1 混合注意力** 方案和 **128 token 滑动窗口**，在处理长文档时显著减少内存使用。
- 多语言支持： 支持韩语、英语、西班牙语、德语、日语和越南语 6 种语言。采用重新设计的 **150k 词汇表** 和 **SuperBPE**，提高了约 30% 的 token 效率。
- 智能体能力： 通过 **多智能体策略** 展示了出色的工具使用和搜索能力。
- 安全与伦理： 该模型与 **普世人类价值观** 对齐，独特地融入了 **韩国文化和历史背景**，以解决其他模型常被忽略的地区敏感性问题。它在各种风险类别中都表现出高可靠性。
所有模型权重（包括量化版本）均可在 Huggingface Collections 获得。
模型详情
K-EXAONE 模型配置
- 参数数量：总计 236B，激活 23B
- 参数数量（不含嵌入层）：234B
- 隐藏层维度：6,144
- 层数：48 个主层 + 1 个 MTP 层
- 混合注意力模式：12 x (3 个滑动窗口注意力 + 1 个全局注意力)
- 滑动窗口注意力
- 注意力头数量：64 个 Q 头和 8 个 KV 头
- 头维度：Q/KV 均为 128
- 滑动窗口大小：128
- 全局注意力
- 注意力头数量：64 个 Q 头和 8 个 KV 头
- 头维度：Q/KV 均为 128
- 未使用旋转位置嵌入 (NoPE)
- 专家混合模型
- 专家数量：128
- 激活专家数量：8
- 共享专家数量：1
- MoE 中间层大小：2,048
- 词汇表大小：153,600
- 上下文长度：262,144 tokens
- 知识截止日期：2024 年 12 月 (2024/12)
使用技巧
推理模式
对于需要精确结果的任务，您可以按如下方式运行 K-EXAONE 模型进行推理。
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "LGAI-EXAONE/K-EXAONE-236B-A23B"
model = AutoModelForCausalLM.from_pretrained(
model_name,
dtype="bfloat16",
device_map="auto",
)
tokenizer = AutoTokenizer.from_pretrained(model_name)
messages = [
{"role": "system", "content": "You are K-EXAONE, a large language model developed by LG AI Research in South Korea, built to serve as a helpful and reliable assistant."},
{"role": "user", "content": "Which one is bigger, 3.9 vs 3.12?"}
]
input_ids = tokenizer.apply_chat_template(
messages,
tokenize=True,
add_generation_prompt=True,
return_tensors="pt",
enable_thinking=True, # skippable (default: True)
)
generated_ids = model.generate(
**input_ids.to(model.device),
max_new_tokens=16384,
temperature=1.0,
top_p=0.95,
)
output_ids = generated_ids[0][input_ids['input_ids'].shape[-1]:]
print(tokenizer.decode(output_ids, skip_special_tokens=True))非推理模式
对于更看重延迟而不是准确性的任务，您可以按如下方式运行 K-EXAONE 模型进行非推理模式。
messages = [
{"role": "system", "content": "You are K-EXAONE, a large language model developed by LG AI Research in South Korea, built to serve as a helpful and reliable assistant."},
{"role": "user", "content": "Explain how wonderful you are"}
]
input_ids = tokenizer.apply_chat_template(
messages,
tokenize=True,
add_generation_prompt=True,
return_tensors="pt",
enable_thinking=False,
)
generated_ids = model.generate(
**input_ids.to(model.device),
max_new_tokens=1024,
temperature=1.0,
top_p=0.95,
)
output_ids = generated_ids[0][input_ids['input_ids'].shape[-1]:]
print(tokenizer.decode(output_ids, skip_special_tokens=True))智能体工具使用
对于您的 AI 驱动的智能体，您可以利用 K-EXAONE 的工具调用能力。K-EXAONE 模型兼容 OpenAI 和 HuggingFace 的工具调用规范。以下示例演示了如何使用 HuggingFace 的 docstring-to-tool-schema 工具进行工具调用。
请查看 示例文件，其中包含使用 K-EXAONE 进行搜索智能体对话的示例。
from transformers.utils import get_json_schema
def roll_dice(max_num: int):
"""
Roll a dice with the number 1 to N. User can select the number N.
Args:
max_num: The maximum number on the dice.
"""
return random.randint(1, max_num)
tool_schema = get_json_schema(roll_dice)
tools = [tool_schema]
messages = [
{"role": "system", "content": "You are K-EXAONE, a large language model developed by LG AI Research in South Korea, built to serve as a helpful and reliable assistant."},
{"role": "user", "content": "Roll a D20 twice and sum the results."}
]
input_ids = tokenizer.apply_chat_template(
messages,
tokenize=True,
add_generation_prompt=True,
return_tensors="pt",
tools=tools,
)
generated_ids = model.generate(
**input_ids.to(model.device),
max_new_tokens=16384,
temperature=1.0,
top_p=0.95,
)
output_ids = generated_ids[0][input_ids['input_ids'].shape[-1]:]
print(tokenizer.decode(output_ids, skip_special_tokens=True))ExaoneMoeConfig
class transformers.ExaoneMoeConfig
< source >( vocab_size = 102400 hidden_size = 4096 intermediate_size = 16384 num_hidden_layers = 32 num_attention_heads = 32 num_key_value_heads = 32 hidden_act = 'silu' max_position_embeddings = 2048 initializer_range = 0.02 rms_norm_eps = 1e-05 use_cache = True bos_token_id = 1 eos_token_id = 53 pad_token_id = 0 tie_word_embeddings = False rope_parameters = None attention_dropout = 0.0 sliding_window = 4096 sliding_window_pattern = 4 layer_types = None mlp_layer_types = None first_k_dense_replace = 1 moe_intermediate_size = 1024 num_experts = 64 num_experts_per_tok = 8 num_shared_experts = 1 norm_topk_prob = True routed_scaling_factor = 2.5 n_group = 1 topk_group = 1 **kwargs )
参数
- vocab_size (int, optional, defaults to 102400) — EXAONE MoE 模型词汇表大小。定义了调用 [ExaoneMoeModel] 时传递的 inputs_ids 可以表示的不同 token 数量。
- hidden_size (int, optional, defaults to 4096) — 隐藏层表示的维度。
- intermediate_size (int, optional, defaults to 16384) — MLP 表示的维度。
- num_hidden_layers (int, optional, defaults to 32) — Transformer 编码器中的隐藏层数。
- num_attention_heads (int, optional, defaults to 32) — Transformer 解码器中每个注意力层的注意力头数量。
- num_key_value_heads (int, optional, defaults to 32) — 这是实现分组查询注意力 (Grouped Query Attention) 所需的 key_value 头数量。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，应通过对组内的所有原始头进行平均池化来构造每个组的 key 和 value 头。更多详情请查看 本文档。如果未指定，将默认为 num_attention_heads*。
- hidden_act (str or function, optional, defaults to “silu”) — 解码器中的非线性激活函数（函数或字符串）。
- max_position_embeddings (int, optional, defaults to 2048) — 该模型可能使用的最大序列长度。通常将其设置得大一些以备不时之需（例如，EXAONE 3.5 为 32768）。
- initializer_range (float, optional, defaults to 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。
- rms_norm_eps (float, optional, defaults to 1e-05) — 层归一化层使用的 epsilon 值。
- use_cache (bool, optional, defaults to True) -- 模型是否应返回最后一个 key/values 注意力（并非所有模型都使用）。仅在
config.is_decoder=True时相关。 - bos_token_id (int, optional, defaults to 1) — 流开始 token ID。
- eos_token_id (int, optional, defaults to 53) — 流结束 token ID。
- pad_token_id (int, optional, defaults to 0) — 填充 token ID。
- tie_word_embeddings (bool, optional, defaults to False) — 是否绑定词嵌入
- rope_parameters (RopeParameters, optional) — 包含 RoPE 嵌入配置参数的字典。该字典应包含 rope_theta 的值，如果需要使用更长的 max_position_embeddings 进行 RoPE，也可以选择包含用于缩放的参数。
- attention_dropout (float, optional, defaults to 0.0) — 注意力概率的 dropout 比率。
- sliding_window (int, optional, defaults to 4096) — 滑动窗口注意力的滑动窗口大小。
- sliding_window_pattern (str, optional, defaults to 4) — 用于滑动窗口注意力模式。可以是以下之一：
- None：不使用滑动窗口注意力
- int：每隔 sliding_window 层，使用全局注意力，否则使用局部注意力。
- str：一个由“L”（局部注意力）和“G”（全局注意力）字符组成的序列，用于定义注意力模式。模式从第 0 层开始，每 sliding_window 层重复一次。最后一层总是使用全局注意力，无论模式如何。例如，sliding_window_pattern=“LLLG”与 sliding_window=4 相同，表示：
- 第 0、1、2 层：局部注意力，
- 第 3 层：全局注意力，……（重复）
- layer_types (list, optional) — 每层的注意力模式。优先于 sliding_window_pattern。
- mlp_layer_types (list, optional) — 每层的 MLP 模式。优先于 first_k_dense_replace。
- first_k_dense_replace (int, optional, defaults to 1) — 浅层中的密集层数量（embed->dense->dense->...->dense->moe->moe...->lm_head）。--k 个密集层—/
- moe_intermediate_size (int, optional, defaults to 1024) — MoE 表示的维度。
- num_experts (int, optional, defaults to 64) — 路由专家的数量。
- num_experts_per_tok (int, optional, defaults to 8) — 选择的专家数量，None 表示密集模型。
- num_shared_experts (int, optional, defaults to 1) — 共享专家的数量。
- norm_topk_prob (bool, optional, defaults to True) — 是否对路由专家的权重进行归一化。
- routed_scaling_factor (float, optional, defaults to 2.5) — 路由专家的缩放因子。
- n_group (int, optional, defaults to 1) — 路由专家的分组数量。
- topk_group (int, optional, defaults to 1) — 每个 token 选择的组数（对于每个 token，确保选择的专家仅在 topk_group 组内）。
这是用于存储 [ExaoneMoeModel] 配置的类。它用于根据指定的参数实例化 EXAONE MoE 模型，定义模型架构。使用默认值实例化配置将产生与 K-EXAONE-236B-A23B LGAI-EXAONE/K-EXAONE-236B-A23B 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，请参阅 [PreTrainedConfig] 的文档。
示例
>>> from transformers import ExaoneMoeModel, ExaoneMoeConfig
>>> # Initializing a EXAONE configuration
>>> configuration = ExaoneMoeConfig()
>>> # Initializing a model from configuration
>>> model = ExaoneMoeModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configExaoneMoeModel
class transformers.ExaoneMoeModel
< source >( config: ExaoneMoeConfig )
参数
- config (ExaoneMoeConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型相关的权重，只会加载配置。请查看 from_pretrained() 方法以加载模型权重。
裸露的 Exaone Moe 模型输出原始隐藏状态，没有任何特定的顶部头部。
此模型继承自 PreTrainedModel。查看其父类文档，了解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、修剪头等）。
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
< source >( 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 cache_position: torch.LongTensor | None = None **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] )
ExaoneMoeForCausalLM
class transformers.ExaoneMoeForCausalLM
< source >( config model_args: ~utils.generic.ModelArgs | None = None adapter_args: ~utils.generic.AdapterArgs | None = None lora_args: ~utils.generic.LoRAArgs | None = None tokenizer_args: ~utils.generic.TokenizerArgs | None = None dataset_args: ~utils.generic.DatasetArgs | None = None data_args: ~utils.generic.DataArgs | None = None training_args: ~utils.generic.TrainingArgs | None = None generation_args: ~utils.generic.GenerationArgs | None = None vision_tower_args: ~utils.generic.VisionTowerArgs | None = None qlora_args: ~utils.generic.QLoRAArgs | None = None vision_tower_template_args: ~utils.generic.VisionTowerTemplateArgs | None = None video_tower_args: ~utils.generic.VideoTowerArgs | None = None vision_config: ~utils.generic.VisionConfig | None = None video_config: ~utils.generic.VideoConfig | None = None load_dataset: bool | None = None load_data_collator: bool | None = None load_processor: bool | None = None load_lora_adapter: bool | None = None load_adapter: bool | None = None load_qlora_adapter: bool | None = None **kwargs: typing_extensions.Unpack[transformers.modeling_utils.PreTrainedModelKwargs] )
参数
- config (ExaoneMoeForCausalLM) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型相关的权重，只会加载配置。请查看 from_pretrained() 方法以加载模型权重。
用于因果语言建模的 Exaone Moe 模型。
此模型继承自 PreTrainedModel。查看其父类文档，了解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、修剪头等）。
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
< source >( 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 cache_position: torch.LongTensor | None = None logits_to_keep: int | torch.Tensor = 0 **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → transformers.modeling_outputs.CausalLMOutputWithPast or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensorof shape(batch_size, sequence_length), optional) — 词汇表中输入序列 token 的索引。默认情况下将忽略填充。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensorof shape(batch_size, sequence_length), optional) — 用于避免对填充 token 索引执行注意力的掩码。掩码值选择在[0, 1]中：- 1 表示 **未掩码** 的 token，
- 0 表示 **已掩码** 的 token。
- position_ids (
torch.LongTensorof shape(batch_size, sequence_length), optional) — 位置嵌入中每个输入序列 token 的位置索引。选择范围在[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），可用于加速序列解码。这通常由模型在解码前一阶段返回的past_key_values组成，前提是use_cache=True或config.use_cache=True。只允许传入 Cache 实例，请参阅我们的 KV 缓存指南。如果未传入
past_key_values，则默认初始化 DynamicCache。模型将输出与输入相同的缓存格式。
如果使用了
past_key_values，则用户应仅输入未经处理的input_ids（未将过去键值状态提供给此模型的那些），其形状为(batch_size, unprocessed_length)，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，您可以直接传入嵌入表示，而不是传入input_ids。如果您希望对将input_ids索引转换为关联向量的方式比模型的内部嵌入查找矩阵有更多的控制，则此选项非常有用。 - labels (
torch.LongTensor，形状为(batch_size, sequence_length), 可选) — 用于计算掩码语言模型损失的标签。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 token 被忽略（掩码），仅对标签在[0, ..., config.vocab_size]范围内的 token 计算损失。 - 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）。 - cache_position (
torch.LongTensor，形状为(sequence_length), 可选) — 描述输入序列 token 在序列中的位置的索引。与position_ids不同，此张量不受填充的影响。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], 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）。生成只需要最后一个 token 的 logits，仅为此 token 计算它们可以节省内存，这对于长序列或大词汇量来说非常重要。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。当使用打包张量格式时（批处理和序列长度的单个维度），这很有用。
返回
transformers.modeling_outputs.CausalLMOutputWithPast or tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.CausalLMOutputWithPast 或一个元组（如果传入 return_dict=False 或 config.return_dict=False），其中包含根据配置（ExaoneMoeConfig）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, optional, 当传递use_cache=True或当config.use_cache=True时返回) — 它是 Cache 实例。更多详情，请参阅我们的 kv cache 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。
ExaoneMoeForCausalLM 的前向方法，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。
示例
>>> from transformers import AutoModelForCausalLM, AutoTokenizer
>>> model = AutoModelForCausalLM.from_pretrained("LGAI-EXAONE/K-EXAONE-236B-A23B")
>>> tokenizer = AutoTokenizer.from_pretrained("LGAI-EXAONE/K-EXAONE-236B-A23B")
>>> prompt = "Explain how wonderful you are"
>>> messages = [
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": prompt}
]
>>> input_ids = tokenizer.apply_chat_template(
messages,
tokenize=True,
add_generation_prompt=True,
return_tensors="pt",
enable_thinking=False,
)
>>> output = model.generate(**input_ids.to(model.device), max_new_tokens=128)
>>> tokenizer.decode(output[0], skip_special_tokens=False)
"<|system|>\nYou are a helpful assistant.<|endofturn|>\n<|user|>\nExplain how wonderful you are<|endofturn|>\n<|assistant|>\n<think>\n\n</think>\n\nThank you for the kind question! While I can't feel emotions or take pride in the way humans do, I *can* share what makes me uniquely helpful and capable—qualities that many people find wonderful.\n\nHere’s how I can support you:\n\n🌟 **Knowledge at Your Fingertips** \nI have access to a vast amount of information across countless topics—from science and history to technology and creative writing. Whether you're curious, learning, or solving a problem, I can help explain things clearly and accurately.\n\n💬 **Clear, Helpful Communication** \nI aim to respond in a way that's easy to understand, whether you need a simple explanation or a detailed analysis. I adapt my tone and depth to match"