参数

• images (ImageInput) — 待预处理的图像。期望像素值范围为 0 到 255 的单张或批处理图像。如果传入像素值范围在 0 到 1 之间的图像，请设置 do_rescale=False。
• videos (VideoInput) — 待预处理的视频。期望像素值范围为 0 到 255 的单个或批处理视频。如果传入像素值范围在 0 到 1 之间的视频，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) — 调整大小后的图像大小。图像的最短边将调整为 size["shortest_edge"]，最长边将保持输入宽高比进行调整。
• resample (int, 可选, 默认为 self.resample) — 如果调整图像大小，要使用的重采样滤镜。可以是枚举 PILImageResampling 之一。仅当 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缩放因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否归一化图像。
• image_mean (float 或 List[float], 可选, 默认为 self.image_mean) — 用于归一化的图像均值。仅当 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。仅当 do_normalize 设置为 True 时有效。要调整图像大小的最大像素数。
• patch_size (int, 可选, 默认为 self.patch_size) — 视觉编码器的空间补丁大小。
• temporal_patch_size (int, 可选, 默认为 self.temporal_patch_size) — 视觉编码器的时间补丁大小。
• merge_size (int, 可选, 默认为 self.merge_size) — 视觉编码器到 LLM 编码器的合并大小。
• do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
• 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 类型的批处理。
  • TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 类型的批处理。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 类型的批处理。
  • TensorType.JAX 或 'jax'：返回 jax.numpy.ndarray 类型的批处理。
• 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)。

参数

• do_resize (bool, 可选, 默认为 self.do_resize) — 是否将视频的 (height, width) 维度调整到指定的 size。可在 preprocess 方法中的 do_resize 参数覆盖。
• size (dict, 可选, 默认为 self.size) — 调整大小后的输出视频的大小。可在 preprocess 方法中的 size 参数覆盖。
• size_divisor (int, 可选, 默认为 self.size_divisor) — 确保高度和宽度都可以被其整除的大小。
• default_to_square (bool, 可选, 默认为 self.default_to_square) — 如果大小为整数，是否在调整视频大小时默认为方形视频。
• resample (PILImageResampling, 可选, 默认为 self.resample) — 如果调整视频大小，要使用的重采样滤镜。仅当 do_resize 设置为 True 时有效。可在 preprocess 方法中的 resample 参数覆盖。
• do_center_crop (bool, 可选, 默认为 self.do_center_crop) — 是否将视频中心裁剪到指定的 crop_size。可在 preprocess 方法中的 do_center_crop 覆盖。
• do_pad (bool, 可选) — 是否将视频填充到批处理中视频的 (max_height, max_width)。
• crop_size (dict[str, int] 可选, 默认为 self.crop_size) — 应用 center_crop 后的输出视频大小。可在 preprocess 方法中的 crop_size 覆盖。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否按指定的比例 rescale_factor 重新缩放视频。可在 preprocess 方法中的 do_rescale 参数覆盖。
• rescale_factor (int 或 float, 可选, 默认为 self.rescale_factor) — 如果对视频进行重新缩放，则使用的缩放因子。仅当 do_rescale 设置为 True 时才有效。可以通过 preprocess 方法中的 rescale_factor 参数覆盖。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对视频进行归一化。可以通过 preprocess 方法中的 do_normalize 参数覆盖。可以通过 preprocess 方法中的 do_normalize 参数覆盖。
• image_mean (float 或 list[float], 可选, 默认为 self.image_mean) — 如果对视频进行归一化，则使用的均值。这是一个浮点数或浮点数列表，其长度与视频中的通道数相同。可以通过 preprocess 方法中的 image_mean 参数覆盖。可以通过 preprocess 方法中的 image_mean 参数覆盖。
• image_std (float 或 list[float], 可选, 默认为 self.image_std) — 如果对视频进行归一化，则使用的标准差。这是一个浮点数或浮点数列表，其长度与视频中的通道数相同。可以通过 preprocess 方法中的 image_std 参数覆盖。可以通过 preprocess 方法中的 image_std 参数覆盖。
• do_convert_rgb (bool, 可选, 默认为 self.image_std) — 是否将视频转换为 RGB。
• video_metadata (VideoMetadata, 可选) — 视频的元数据，包含总时长、每秒帧数和总帧数信息。
• do_sample_frames (int, 可选, 默认为 self.do_sample_frames) — 是在处理前从视频中采样帧，还是处理整个视频。
• num_frames (int, 可选, 默认为 self.num_frames) — 当 do_sample_frames=True 时，要采样的最大帧数。
• fps (int, 可选, 默认为 self.fps) — 当 do_sample_frames=True 时，每秒采样的目标帧数。
• return_tensors (str 或 TensorType, 可选) — 如果设置为 `pt`，则返回堆叠的张量，否则返回张量列表。
• data_format (ChannelDimension 或 str, 可选, 默认为 ChannelDimension.FIRST) — 输出视频的通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 视频格式为 (通道数, 高度, 宽度)。
  • "channels_last" 或 ChannelDimension.LAST: 视频格式为 (高度, 宽度, 通道数)。
  • 未设置: 使用输入视频的通道维度格式。
• input_data_format (ChannelDimension 或 str, 可选) — 输入视频的通道维度格式。如果未设置，则从输入视频推断通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 视频格式为 (通道数, 高度, 宽度)。
  • "channels_last" 或 ChannelDimension.LAST: 视频格式为 (高度, 宽度, 通道数)。
  • "none" 或 ChannelDimension.NONE: 视频格式为 (高度, 宽度)。
• device (torch.device, 可选) — 处理视频的设备。如果未设置，则从输入视频推断设备。

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。期望单个或批次图像，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，请将 do_rescale=False。
• videos (Union[list['PIL.Image.Image'], np.ndarray, torch.Tensor, list['np.ndarray'], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list['np.ndarrray']], list[list['torch.Tensor']]]) — 要预处理的视频。期望单个或批次视频，像素值范围为 0 到 255。如果传入的视频像素值在 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) — 描述模型最大输入尺寸。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果调整图像大小，则使用的重采样滤波器。这可以是枚举 PILImageResampling 之一。仅当 do_resize 设置为 True 时才有效。
• do_rescale (bool, 可选) — 是否重新缩放图像。
• rescale_factor (float, 可选) — 如果 do_rescale 设置为 True，则按此缩放因子对图像进行重新缩放。
• do_normalize (bool, 可选) — 是否对图像进行归一化。
• image_mean (Union[float, list[float], NoneType]) — 用于归一化的图像均值。仅当 do_normalize 设置为 True 时才有效。
• image_std (Union[float, list[float], NoneType]) — 用于归一化的图像标准差。仅当 do_normalize 设置为 True 时才有效。
• patch_size (int, 可选, 默认为 14) — 视觉编码器的空间补丁大小。
• temporal_patch_size (int, 可选, 默认为 2) — 视觉编码器的时间补丁大小。
• merge_size (int, 可选, 默认为 2) — 视觉编码器到 LLM 编码器的合并大小。
• 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`，则返回堆叠的张量，否则返回张量列表。
• data_format (~image_utils.ChannelDimension, 可选, 默认为 ChannelDimension.FIRST) — 仅支持 ChannelDimension.FIRST。为兼容慢速处理器而添加。
• 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 (通道数, 高度, 宽度)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (高度, 宽度, 通道数)。
  • "none" 或 ChannelDimension.NONE: 图像格式为 (高度, 宽度)。
• device (torch.device, 可选) — 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, 默认为 False) — 是否禁用按大小对图像进行分组，以单独处理而非批量处理。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，详情请参阅：https://github.com/huggingface/transformers/pull/38157

参数

• generated_outputs (torch.Tensor 或 np.ndarray) — 模型 generate 函数的输出。输出应为形状为 (batch_size, sequence_length) 或 (sequence_length,) 的张量。
• skip_special_tokens (bool, 可选, 默认为 True) — 是否在输出中移除特殊 token。参数传递给分词器的 batch_decode 方法。
• clean_up_tokenization_spaces (bool, 可选, 默认为 False) — 是否清理分词空间。参数传递给分词器的 batch_decode 方法。
• **kwargs — 要传递给分词器 batch_decode 方法的其他参数。

解码后的文本。

参数

• input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 词汇表中输入序列 token 的索引。填充默认将被忽略。

  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 (形状为 (batch_size, sequence_length) 的 torch.Tensor, 可选) — 掩码，用于避免在填充 token 索引上执行注意力。掩码值选择在 [0, 1] 之间：
  • 1 表示**未被掩码**的 token，
  • 0 表示**被掩码**的 token。

  什么是注意力掩码？

• position_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 位置嵌入中每个输入序列 token 位置的索引。在 [0, config.n_positions - 1] 范围内选择。

  什么是位置 ID？

• past_key_values (list[torch.FloatTensor], 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前期返回的 past_key_values，当 use_cache=True 或 config.use_cache=True 时。

  允许两种格式：

  • 一个 Cache 实例，详见我们的 kv cache 指南；
  • 一个长度为 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，则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) 的最后一个 input_ids（那些没有将过去键值状态提供给此模型的），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，您可以选择直接传递嵌入表示，而不是传递 input_ids。如果您想对如何将 input_ids 索引转换为关联向量进行比模型内部嵌入查找矩阵更精细的控制，这会很有用。
• 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。更多详情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。更多详情请参阅返回张量中的 hidden_states。
• cache_position (形状为 (sequence_length) 的 torch.LongTensor，可选) — 描述输入序列令牌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 的元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含根据配置（None）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 或当 config.use_cache=True 时返回) — 这是一个 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，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（如果模型有嵌入层，则一个用于嵌入层的输出，加上每个层的一个输出），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。

参数

• input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor) — 词汇表中输入序列令牌的索引。默认情况下将忽略填充。

  索引可以使用 AutoTokenizer 获取。有关详情，请参阅 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) — 避免对填充令牌索引执行注意力的掩码。掩码值选择在 [0, 1] 之间：
  • 1 表示未被掩盖的令牌，
  • 0 表示被掩盖的令牌。

  什么是注意力掩码？

• position_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor，可选) — 每个输入序列令牌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 (list[torch.FloatTensor], 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前期返回的 past_key_values，当 use_cache=True 或 config.use_cache=True 时。

  允许两种格式：

  • 一个 Cache 实例，详见我们的 kv cache 指南；
  • 一个长度为 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，则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) 的最后一个 input_ids（那些没有将过去键值状态提供给此模型的），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，您可以选择直接传递嵌入表示，而不是传递 input_ids。如果您想对如何将 input_ids 索引转换为关联向量进行比模型内部嵌入查找矩阵更精细的控制，这会很有用。
• 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。更多详情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。更多详情请参阅返回张量中的 hidden_states。
• pixel_values (形状为 (batch_size, num_channels, image_size, image_size) 的 torch.Tensor，可选) — 对应输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详情，请参阅 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• pixel_values_videos (形状为 `(seq_length, num_channels * temporal_size * image_size * image_size)` 的 torch.FloatTensor，可选) — 对应输入视频的张量。像素值可以使用 AutoImageProcessor 获取。有关详情，请参阅 Glm4vImageProcessor.call()。Glm4vProcessor 使用 Glm4vImageProcessor 处理视频。
• image_grid_thw (形状为 (num_images, 3) 的 torch.LongTensor，可选) — LLM 中每张图像的特征形状的时间、高度和宽度。
• video_grid_thw (形状为 (num_videos, 3) 的 torch.LongTensor，可选) — LLM 中每个视频的特征形状的时间、高度和宽度。
• rope_deltas (形状为 (batch_size, ) 的 torch.LongTensor，可选) — 序列长度与多模态旋转位置编码之间的旋转位置编码索引差。
• cache_position (形状为 (sequence_length) 的 torch.LongTensor，可选) — 描述输入序列令牌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.models.glm4v.modeling_glm4v.Glm4vModelOutputWithPast 或一个 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（None）和输入的不同元素。

• last_hidden_state (形状为 (batch_size, sequence_length, hidden_size) 的 <class 'torch.FloatTensor'>.last_hidden_state，默认为 None) — 模型最后一层的隐藏状态序列。

• past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传入 use_cache=True 或当 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 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，则一个用于嵌入层的输出，加上每个层的一个输出），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。

• rope_deltas (形状为 (batch_size, ) 的 torch.LongTensor，可选) — 序列长度与多模态旋转位置编码之间的旋转位置编码索引差。

参数

• input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor) — 词汇表中输入序列令牌的索引。默认情况下将忽略填充。

  索引可以使用 AutoTokenizer 获取。有关详情，请参阅 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) — 避免对填充令牌索引执行注意力的掩码。掩码值选择在 [0, 1] 之间：
  • 1 表示未被掩盖的令牌，
  • 0 表示被掩盖的令牌。

  什么是注意力掩码？

• position_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor，可选) — 每个输入序列令牌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 (list[torch.FloatTensor], 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前期返回的 past_key_values，当 use_cache=True 或 config.use_cache=True 时。

  允许两种格式：

  • 一个 Cache 实例，详见我们的 kv cache 指南；
  • 一个长度为 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，则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) 的最后一个 input_ids（那些没有将过去键值状态提供给此模型的），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，您可以选择直接传递嵌入表示，而不是传递 input_ids。如果您想对如何将 input_ids 索引转换为关联向量进行比模型内部嵌入查找矩阵更精细的控制，这会很有用。
• labels (形状为 (batch_size, sequence_length) 的 torch.LongTensor，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] 或 -100 之间（参见 input_ids 文档字符串）。索引设置为 -100 的令牌将被忽略（掩码），损失仅针对标签在 [0, ..., config.vocab_size] 中的令牌计算。
• 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。更多详情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。更多详情请参阅返回张量中的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通的元组。
• pixel_values (形状为 (batch_size, num_channels, image_size, image_size) 的 torch.Tensor，可选) — 对应输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详情，请参阅 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• pixel_values_videos (形状为 `(seq_length, num_channels * temporal_size * image_size * image_size)` 的 torch.FloatTensor，可选) — 对应输入视频的张量。像素值可以使用 AutoImageProcessor 获取。有关详情，请参阅 Glm4vImageProcessor.call()。Glm4vProcessor 使用 Glm4vImageProcessor 处理视频。
• image_grid_thw (形状为 (num_images, 3) 的 torch.LongTensor，可选) — LLM 中每张图像的特征形状的时间、高度和宽度。
• video_grid_thw (形状为 (num_videos, 3) 的 torch.LongTensor，可选) — LLM 中每个视频的特征形状的时间、高度和宽度。
• rope_deltas (形状为 (batch_size, ) 的 torch.LongTensor，可选) — 序列长度与多模态旋转位置编码之间的旋转位置编码索引差。
• cache_position (形状为 (sequence_length) 的 torch.LongTensor，可选) — 描述输入序列令牌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.models.glm4v.modeling_glm4v.Glm4vCausalLMOutputWithPast 或一个 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（Glm4vConfig）和输入的不同元素。

• 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 (tuple(tuple(torch.FloatTensor)), 可选, 当传入 use_cache=True 或当 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 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，则一个用于嵌入层的输出，加上每个层的一个输出），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。

• rope_deltas (形状为 (batch_size, ) 的 torch.LongTensor，可选) — 序列长度与多模态旋转位置编码之间的旋转位置编码索引差。