Transformers 文档
Hy3-preview
并获得增强的文档体验
开始使用
此模型于 2026 年 4 月 22 日贡献给 Hugging Face Transformers。
Hy3-preview
概述
Hy3-preview 是由腾讯混元（HunYuan）团队开发的大规模专家混合（MoE）语言模型。它采用了 192 个路由专家和每层 1 个常驻共享专家的密集-稀疏混合（Dense-MoE）架构，通过稀疏专家激活实现了高效推理和强大的性能。
关键架构特性
- 密集-MoE 混合架构：第一层使用密集 FFN；后续所有层均使用带有 top-k 路由（默认 k=8）的 MoE。
- 共享专家：每个 MoE 层包含 1 个共享专家，与路由专家一同处理所有 Token。
- Sigmoid 路由与专家偏差校正：Token 通过 Sigmoid 打分（非 Softmax）进行路由，并结合学习到的每个专家的偏差（bias）来实现负载均衡。
- QK-Norm：在注意力计算前，对查询（query）和键（key）投影应用逐头的 RMSNorm，以提高训练稳定性。
使用技巧
- 使用
AutoModelForCausalLM加载。由于模型体积较大，需要多张 GPU。 - 在配置（config）或前向传播（forward）调用中设置
output_router_logits=True，以收集每层的 MoE 路由 Logits。请注意，该模型不计算辅助负载均衡损失；aux_loss始终为None。 - 该模型支持
gradient_checkpointing以减少微调过程中的内存占用。
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "tencent/Hy3-preview"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
device_map="auto",
)
inputs = tokenizer("The future of artificial intelligence is", return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=64)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))HYV3Config
class transformers.HYV3Config
< 源代码 >（略，保留代码结构）
参数
- vocab_size (
int, 可选, 默认值为120832) — 模型词汇表大小。定义了input_ids可以表示的不同 Token 的数量。 - hidden_size (
int, 可选, 默认值为4096) — 隐藏层表示的维度。 - intermediate_size (
int, 可选, 默认值为13312) — MLP 表示的维度。 - num_hidden_layers (
int, 可选, 默认值为80) — Transformer 解码器中的隐藏层数量。 - num_attention_heads (
int, 可选, 默认值为64) — 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, 默认值为8) — 这是用于实现分组查询注意力（GQA）的键值（key_value）头数量。若num_key_value_heads=num_attention_heads，模型将使用多头注意力（MHA）；若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均值池化（meanpooling）来构建。更多详情请参考这篇论文。如未指定，将默认采用num_attention_heads。 - head_dim (
int, 可选, 默认值为128) — 注意力头维度。如果为 None，则默认为 hidden_size // num_attention_heads。 - hidden_act (
str, 可选, 默认值为silu) — 解码器中的非线性激活函数（函数或字符串）。例如："gelu","relu","silu"等。 - max_position_embeddings (
int, 可选, 默认值为131072) — 此模型可能使用的最大序列长度。 - initializer_range (
float, 可选, 默认值为0.006) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - rms_norm_eps (
float, 可选, 默认值为1e-05) — RMS 归一化层使用的 epsilon 值。 - use_cache (
bool, 可选, 默认值为True) — 模型是否应返回最后的 key/values 注意力（并非所有模型都使用）。仅在config.is_decoder=True或模型为仅解码器的生成式模型时相关。 - pad_token_id (
int, 可选) — 词汇表中用于填充（padding）的 Token ID。 - bos_token_id (
int, 可选) — 词汇表中用于流开始（beginning-of-stream）的 Token ID。 - eos_token_id (
Union[int, list[int]], 可选) — 词汇表中用于流结束（end-of-stream）的 Token ID。 - tie_word_embeddings (
bool, 可选, 默认值为False) — 是否根据模型映射关系tied_weights_keys绑定权重嵌入。 - attention_bias (
bool, 可选, 默认值为False) — 自注意力层中是否在查询、键、值及输出投影层使用偏置。 - attention_dropout (
float, 可选, 默认值为0.0) — 注意力概率的 Dropout 比率。 - mlp_bias (
bool, 可选, 默认值为False) — MLP 层中是否在 up_proj、down_proj 和 gate_proj 层使用偏置。 - num_experts (
int, 可选, 默认值为192) — MoE 层中路由专家的数量。 - num_experts_per_tok (
int, 可选, 默认值为8) — 每个 Token 需要路由到的专家数量。这是 Token 选择路由的 top-k 值。 - num_shared_experts (
int, 可选, 默认值为1) — 对所有 Token 始终激活的共享专家数量。 - moe_intermediate_size (
int, 可选, 默认值为1536) — 路由专家 MLP 的中间层大小。 - router_scaling_factor (
float, 可选, 默认值为2.826) — MoE 专家选择的 top-k 权重缩放因子。 - enable_moe_fp32_combine (
bool, 可选, 默认值为True) — 是否在 fp32 或模型的基础数据类型中将共享专家添加到最终的 MoE 结果中。 - mlp_layer_types (
list, 可选) — 每一层的 MLP（MoE 与 Dense）模式。 - output_router_logits (
bool, 可选, 默认值为False) — 模型是否应返回路由 Logits。启用此项也将允许模型输出辅助损失，包括负载均衡损失和路由 z-loss。 - rope_parameters (
Union[~modeling_rope_utils.RopeParameters, dict], 可选) — 包含 RoPE 嵌入配置参数的字典。该字典应包含rope_theta的值，以及在希望使用更长的max_position_embeddings时用于缩放的可选参数。
这是用于存储 HYV3Model 配置的配置类。它用于根据指定的参数实例化 Hy V3 模型，从而定义模型架构。使用默认值实例化配置将产生与 tencent/Hy3-preview 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。
HYV3Model
class transformers.HYV3Model
< 源代码 >（略，保留代码结构）
参数
- config (HYV3Config) — 包含模型所有参数的模型配置类。使用配置文件初始化模型不会加载关联的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
输出原始隐藏状态且不带任何特定头部的纯 Hy V3 模型。
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
（略，保留代码结构）( 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 **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → MoeModelOutputWithPast 或 tuple(torch.FloatTensor)
参数
- （略，保留代码结构）
- （略，保留代码结构）
- （略，保留代码结构）
- （略，保留代码结构）
- （略，保留代码结构）
- （略，保留代码结构）
返回
MoeModelOutputWithPast 或 tuple(torch.FloatTensor)
根据配置（HYV3Config）和输入，包含各种元素的 MoeModelOutputWithPast 或 torch.FloatTensor 元组（若传入 return_dict=False 或 config.return_dict=False）。
HYV3Model 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。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。
router_logits (
tuple(torch.FloatTensor), 可选, 当传递output_router_probs=True且config.add_router_probs=True时，或config.output_router_probs=True时返回) — 形状为(batch_size, sequence_length, num_experts)的torch.FloatTensor元组（每一层一个）。由 MoE 路由器计算的原始路由器对数（softmax 后），这些术语用于计算专家混合模型的辅助损失。
HYV3ForCausalLM
class transformers.HYV3ForCausalLM
< 源代码 >（略，保留代码结构）
参数
- config (HYV3Config) — 包含模型所有参数的模型配置类。使用配置文件初始化模型不会加载关联的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
用于因果语言建模的 Hy V3 模型。
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
（略，保留代码结构）（略，保留代码结构）
参数
- （略，保留代码结构）
- （略，保留代码结构）
- （略，保留代码结构）
- 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），可用于加速序列解码。通常由模型在解码的先前阶段返回，当use_cache=True或config.use_cache=True时使用。仅允许输入 Cache 实例，请参阅我们的 kv 缓存指南。如果不传递
past_key_values，默认将初始化 DynamicCache。模型将输出与输入格式相同的缓存。
如果使用了
past_key_values，用户只需输入未处理的input_ids（即那些未向模型提供过去键值状态的输入），其形状应为(batch_size, unprocessed_length)，而不是形状为(batch_size, sequence_length)的全部input_ids。 - inputs_embeds (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size)，可选) — 可选地，你可以选择直接传递嵌入表示，而不是传递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索引转换为关联向量，这很有用。 - labels (
torch.LongTensor，形状为(batch_size, sequence_length)，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（请参阅input_ids文档字符串）。索引设置为-100的 token 将被忽略（掩码），损失仅针对标签在[0, ..., config.vocab_size]范围内的 token 计算。 - use_cache (
bool，可选) — 如果设置为True，则返回past_key_values键值状态，并可用于加速解码（参见past_key_values）。 - logits_to_keep (
Union[int, torch.Tensor]，可选，默认为0) — 如果为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）。生成时仅需最后 token 的 logits，仅为该 token 计算可以节省内存，这对于长序列或大词汇表来说意义重大。如果为torch.Tensor，则必须是对应序列长度维度中要保留的索引的一维张量。这在使用打包（packed）张量格式（批量和序列长度为单维度）时很有用。
返回
MoeCausalLMOutputWithPast 或 tuple(torch.FloatTensor)
一个 MoeCausalLMOutputWithPast 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或 config.return_dict=False 时），根据配置 (HYV3Config) 和输入包含各种元素。
HYV3ForCausalLM 的 forward 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。
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）。aux_loss (
torch.FloatTensor，可选，当提供labels时返回) — 稀疏模块的辅助损失。router_logits (
tuple(torch.FloatTensor), 可选, 当传递output_router_probs=True且config.add_router_probs=True时，或config.output_router_probs=True时返回) — 形状为(batch_size, sequence_length, num_experts)的torch.FloatTensor元组（每一层一个）。由 MoE 路由器计算的原始路由器对数（softmax 后），这些术语用于计算专家混合模型的辅助损失。
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。