参数

• image (np.ndarray) — 要调整大小的图像。
• pan_and_scan_min_crop_size (int, 可选) — 平移和扫描中每个裁剪的最小尺寸。
• pan_and_scan_max_num_crops (int, 可选) — 平移和扫描中每张图像的最大裁剪数量。
• pan_and_scan_min_ratio_to_activate (float, 可选) — 激活平移和扫描的最小宽高比。
• data_format (str 或 ChannelDimension, 可选) — 图像的通道维度格式。如果未提供，将与输入图像的格式相同。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未提供，将自动推断。

参数

• images (ImageInput) — 待预处理的图像。期望单个或批量图像，像素值范围为 0 到 255。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• do_resize (bool, 可选，默认为 self.do_resize) — 是否调整图像大小。
• size (dict[str, int], 可选，默认为 self.size) — 调整大小后图像的尺寸。
• resample (int, 可选，默认为 self.resample) — 如果调整图像大小，则使用的重采样滤波器。可以是枚举 PILImageResampling 之一。仅在 do_resize 设置为 True 时有效。
• do_rescale (bool, 可选，默认为 self.do_rescale) — 是否重新缩放图像。
• rescale_factor (float, 可选，默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则用于重新缩放图像的比例因子。
• do_normalize (bool, 可选，默认为 self.do_normalize) — 是否对图像进行归一化。
• image_mean (float 或 list[float], 可选，默认为 self.image_mean) — 用于归一化的图像均值。仅在 do_normalize 设置为 True 时有效。
• image_std (float 或 list[float], 可选，默认为 self.image_std) — 用于归一化的图像标准差。仅在 do_normalize 设置为 True 时有效。
• return_tensors (str 或 TensorType, 可选) — 要返回的张量类型。可以是以下之一：
  • 未设置：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回 tf.Tensor 批次。
  • TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 批次。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 批次。
  • TensorType.JAX 或 'jax'：返回 jax.numpy.ndarray 批次。
• data_format (ChannelDimension 或 str, 可选, 默认为 ChannelDimension.FIRST) — 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)。
  • 未设置：使用输入图像的通道维度格式。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未设置，则从输入图像推断通道维度格式。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)。
  • "none" 或 ChannelDimension.NONE：图像格式为 (height, width)。
• do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为RGB。
• do_pan_and_scan (bool, 可选, 默认为 self.do_convert_rgb) — 是否对图像应用 pan_and_scan。
• pan_and_scan_min_crop_size (int, 可选, 默认为 self.pan_and_scan_min_crop_size) — 平移和扫描中每个裁剪的最小尺寸。
• pan_and_scan_max_num_crops (int, 可选, 默认为 self.pan_and_scan_max_num_crops) — 平移和扫描中每张图像的最大裁剪数量。
• pan_and_scan_min_ratio_to_activate (float, 可选, 默认为 self.pan_and_scan_min_ratio_to_activate) — 激活平移和扫描的最小纵横比。

参数

• image (torch.Tensor) — 要调整大小的图像。
• pan_and_scan_min_crop_size (int, 可选) — 平移和扫描中每个裁剪的最小尺寸。
• pan_and_scan_max_num_crops (int, 可选) — 平移和扫描中每张图像的最大裁剪数量。
• pan_and_scan_min_ratio_to_activate (float, 可选) — 激活平移和扫描的最小纵横比。

参数

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 要预处理的图像。期望单个或批量图像的像素值范围为 0 到 255。如果传入的图像像素值介于 0 到 1 之间，请将 do_rescale=False。
• do_resize (bool, 可选) — 是否调整图像大小。
• size (dict[str, int], 可选) — 描述模型的最大输入维度。
• default_to_square (bool, 可选) — 如果 size 是整数，是否默认将图像调整为正方形。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果调整图像大小，要使用的重采样过滤器。可以是枚举 PILImageResampling 之一。仅当 do_resize 设置为 True 时有效。
• do_center_crop (bool, 可选) — 是否中心裁剪图像。
• crop_size (dict[str, int], 可选) — 应用 center_crop 后输出图像的大小。
• do_rescale (bool, 可选) — 是否重新缩放图像。
• rescale_factor (Union[int, float, NoneType]) — 如果 do_rescale 设置为 True，则按此重新缩放图像的因子。
• do_normalize (bool, 可选) — 是否标准化图像。
• image_mean (Union[float, list[float], NoneType]) — 用于标准化的图像均值。仅当 do_normalize 设置为 True 时有效。
• image_std (Union[float, list[float], NoneType]) — 用于标准化的图像标准差。仅当 do_normalize 设置为 True 时有效。
• do_convert_rgb (bool, 可选) — 是否将图像转换为RGB。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果设置为“pt”，则返回堆叠张量，否则返回张量列表。
• data_format (~image_utils.ChannelDimension, 可选) — 仅支持 ChannelDimension.FIRST。为与慢速处理器兼容而添加。
• input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 输入图像的通道维度格式。如果未设置，则从输入图像推断通道维度格式。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)。
  • "none" 或 ChannelDimension.NONE：图像格式为 (height, width)。
• device (torch.device, 可选) — 用于处理图像的设备。如果未设置，则从输入图像推断设备。
• disable_grouping (bool, 可选) — 是否禁用按大小分组图像以单独处理而不是批量处理。如果为 None，则如果图像在 CPU 上则设置为 True，否则设置为 False。此选择基于经验观察，详情请见：https://github.com/huggingface/transformers/pull/38157
• do_pan_and_scan (bool, 可选) — 是否对图像应用 pan_and_scan。
• pan_and_scan_min_crop_size (int, 可选) — 平移和扫描中每个裁剪的最小尺寸。
• pan_and_scan_max_num_crops (int, 可选) — 平移和扫描中每张图像的最大裁剪数量。
• pan_and_scan_min_ratio_to_activate (float, 可选) — 激活平移和扫描的最小纵横比。

• data (dict) — 由 call 方法返回的列表/数组/张量字典（“pixel_values”等）。
• tensor_type (Union[None, str, TensorType], 可选) — 您可以在此处提供一个`tensor_type`，以便在初始化时将整数列表转换为PyTorch/TensorFlow/Numpy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 token 的索引。默认情况下，填充将被忽略。

  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), 可选) — 遮罩以避免对填充 token 索引执行注意力操作。遮罩值在 [0, 1] 中选择：
  • 1 表示 未遮罩 的 token，
  • 0 表示 已遮罩 的 token。

  什么是注意力遮罩？

• position_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 每个输入序列 token 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) — 预计算的隐藏状态（自注意力块中的键和值以及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 缓存指南；
  • 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含两个形状为 (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，用户可以选择仅输入最后一个 input_ids（那些没有将其过去的键值状态提供给此模型的）形状为 (batch_size, 1)，而不是所有 input_ids 形状为 (batch_size, sequence_length)。

• 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，这将很有用。
• 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，请参阅返回张量中的 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，请参阅返回张量中的 hidden_states。
• cache_position (torch.LongTensor 形状为 (sequence_length), 可选) — 表示输入序列 token 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（如果传入 return_dict=False 或 config.return_dict=False），包含根据配置 (Gemma3Config) 和输入的不同元素。

• 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 config.use_cache=True 时返回) — 它是一个 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，如果 config.is_encoder_decoder=True，则可选地包含交叉注意力块中的键和值），可用于加速顺序解码（参见 past_key_values 输入）。

• hidden_states (tuple(torch.FloatTensor), 可选, 当传入 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 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, 当传入 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 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。

参数

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

  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）。
• attention_mask (torch.Tensor 形状为 (batch_size, sequence_length), 可选) — 遮罩以避免对填充 token 索引执行注意力操作。遮罩值在 [0, 1] 中选择：
  • 1 表示 未遮罩 的 token，
  • 0 表示 已遮罩 的 token。

  什么是注意力遮罩？

• position_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 每个输入序列 token 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 (Union[list[torch.FloatTensor], ~cache_utils.Cache, NoneType]) — 预计算的隐藏状态（自注意力块中的键和值以及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 缓存指南；
  • 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含两个形状为 (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，用户可以选择仅输入最后一个 input_ids（那些没有将其过去的键值状态提供给此模型的）形状为 (batch_size, 1)，而不是所有 input_ids 形状为 (batch_size, sequence_length)。

• token_type_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 分段 token 索引，指示输入的第一个和第二个部分。索引选择范围为 [0, 1]：
  • 0 对应于 句子 A token，
  • 1 对应于 句子 B token。

  什么是 token 类型 ID？

• cache_position (torch.LongTensor 形状为 (sequence_length), 可选) — 表示输入序列 token 在序列中位置的索引。与 position_ids 不同，此张量不受填充影响。它用于在正确位置更新缓存并推断完整的序列长度。
• 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，这将很有用。
• labels (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 用于计算遮蔽语言建模损失的标签。索引应为 [0, ..., config.text_config.vocab_size] 或 -100 (参见 input_ids 文档字符串)。索引设置为 -100 的标记将被忽略（遮蔽），损失仅针对标签在 [0, ..., config.text_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。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。更多详细信息请参见返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通的元组。

一个 transformers.models.gemma3.modeling_gemma3.Gemma3ModelOutputWithPast 或一个 torch.FloatTensor 元组 (如果传入 return_dict=False 或 config.return_dict=False)，其中包含根据配置 (Gemma3Config) 和输入而变化的各种元素。

• 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)), 可选, 当传入 use_cache=True 或 config.use_cache=True 时返回) — 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)

  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 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组 (如果模型有嵌入层，则为嵌入输出一个，加上每个层的输出一个)。

  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 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组 (每个层一个)。

  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, 可选) — 形状为 (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的图像隐藏状态。

参数

• pixel_values (torch.FloatTensor]，形状为 (batch_size, channels, height, width)) — 对应于输入图像的张量。

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。

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

  什么是 input ID？

• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length), 可选) — 掩码，用于避免对填充标记索引执行注意力操作。掩码值在 [0, 1] 中选择：
  • 1 表示未被掩码的标记，
  • 0 表示被掩码的标记。

  什么是 attention mask？

• 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。选择范围在 [0, config.n_positions - 1]。

  什么是 position ID？

• past_key_values (~cache_utils.Cache, 可选) — 预计算的隐藏状态（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，参见我们的 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)。这也被称为传统缓存格式。

  模型将输出与输入相同的缓存格式。如果未传入 past_key_values，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形状为 (batch_size, 1) 的最后 input_ids (那些没有将其过去的键值状态提供给此模型的输入 ID)，而不是形状为 (batch_size, sequence_length) 的所有 input_ids。

• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size), 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 索引转换为相关向量有更多控制，而不是使用模型的内部嵌入查找矩阵，这将很有用。
• labels (torch.LongTensor，形状为 (batch_size, sequence_length), 可选) — 用于计算遮蔽语言建模损失的标签。索引应为 [0, ..., config.vocab_size] 或 -100 (参见 input_ids 文档字符串)。索引设置为 -100 的标记将被忽略（遮蔽），损失仅针对标签在 [0, ..., config.vocab_size] 中的标记计算。
• use_cache (bool, 可选) — 如果设置为 True，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。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。更多详细信息请参见返回张量下的 hidden_states。
• cache_position (torch.LongTensor，形状为 (sequence_length), 可选) — 指示输入序列标记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量来说非常重要。如果是 torch.Tensor，则必须是 1D，对应于序列长度维度中要保留的索引。这在使用打包张量格式（批次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 (如果传入 return_dict=False 或 config.return_dict=False)，其中包含根据配置 (Gemma3Config) 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 config.use_cache=True 时返回) — 它是一个 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 config.output_hidden_states=True 时返回) — torch.FloatTensor 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, 当传入 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 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。

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。

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

  什么是 input 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，请参见 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 处理图像)。
• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length), 可选) — 掩码，用于避免对填充标记索引执行注意力操作。掩码值在 [0, 1] 中选择：
  • 1 表示未被掩码的标记，
  • 0 表示被掩码的标记。

  什么是 attention mask？

• 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。选择范围在 [0, config.n_positions - 1]。

  什么是 position ID？

• past_key_values (Union[list[torch.FloatTensor], ~cache_utils.Cache, NoneType]) — 预计算的隐藏状态（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，参见我们的 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)。这也被称为传统缓存格式。

  模型将输出与输入相同的缓存格式。如果未传入 past_key_values，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形状为 (batch_size, 1) 的最后 input_ids (那些没有将其过去的键值状态提供给此模型的输入 ID)，而不是形状为 (batch_size, sequence_length) 的所有 input_ids。

• token_type_ids (torch.LongTensor，形状为 (batch_size, sequence_length), 可选) — 段标记索引，用于指示输入的第一个和第二个部分。索引在 [0, 1] 中选择：
  • 0 对应于 句子 A 标记，
  • 1 对应于 句子 B 标记。

  什么是 token type ID？

• cache_position (torch.LongTensor，形状为 (sequence_length), 可选) — 指示输入序列标记在序列中位置的索引。与 position_ids 不同，此张量不受填充影响。它用于在正确位置更新缓存并推断完整的序列长度。
• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size), 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 索引转换为相关向量有更多控制，而不是使用模型的内部嵌入查找矩阵，这将很有用。
• labels (torch.LongTensor，形状为 (batch_size, sequence_length), 可选) — 用于计算遮蔽语言建模损失的标签。索引应为 [0, ..., config.text_config.vocab_size] 或 -100 (参见 input_ids 文档字符串)。索引设置为 -100 的标记将被忽略（遮蔽），损失仅针对标签在 [0, ..., config.text_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。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。更多详细信息请参见返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通的元组。
• 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量来说非常重要。如果是 torch.Tensor，则必须是 1D，对应于序列长度维度中要保留的索引。这在使用打包张量格式（批次和序列长度的单个维度）时很有用。

一个 transformers.models.gemma3.modeling_gemma3.Gemma3CausalLMOutputWithPast 或一个 torch.FloatTensor 元组 (如果传入 return_dict=False 或 config.return_dict=False)，其中包含根据配置 (Gemma3Config) 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.text_config.vocab_size) 的 torch.FloatTensor) — 语言建模头的预测分数（SoftMax 之前的每个词汇标记的分数）。

• past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传入 use_cache=True 或 config.use_cache=True 时返回) — 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)

  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 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，则包含嵌入层的输出，加上每一层的输出），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 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每一层一个），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, 可选) — 形状为 (batch_size, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。由视觉编码器在投影最后隐藏状态后生成的模型 image_hidden_states。