Transformers 文档
Qwen2.5-VL
并获得增强的文档体验
开始使用
Qwen2.5-VL
Qwen2.5-VL 是一个多模态视觉-语言模型，提供 3B、7B 和 72B 参数版本，并已在 4.1T 令牌上进行预训练。该模型在 ViT 编码器中引入了窗口注意力机制以加速训练和推理，在空间和时间维度上采用动态 FPS 采样以在不同采样率下实现更好的视频理解，并升级了 MRoPE（多分辨率旋转位置编码）机制以更好地捕获和学习时间动态。
您可以在 Qwen2.5-VL 集合中找到所有原始的 Qwen2.5-VL 检查点。
点击右侧边栏中的 Qwen2.5-VL 模型，查看更多关于如何将 Qwen2.5-VL 应用于不同视觉和语言任务的示例。
以下示例演示了如何使用 Pipeline 或 AutoModel 类根据图像生成文本。
import torch
from transformers import pipeline
pipe = pipeline(
task="image-text-to-text",
model="Qwen/Qwen2.5-VL-7B-Instruct",
device=0,
torch_dtype=torch.bfloat16
)
messages = [
{
"role": "user",
"content": [
{
"type": "image",
"url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg",
},
{ "type": "text", "text": "Describe this image."},
]
}
]
pipe(text=messages,max_new_tokens=20, return_full_text=False)
量化通过以较低精度表示权重来减少大型模型的内存负担。有关更多可用量化后端，请参阅量化概述。
以下示例使用torchao仅将权重量化为int4。
import torch
from transformers import TorchAoConfig, Qwen2_5_VLForConditionalGeneration, AutoProcessor
quantization_config = TorchAoConfig("int4_weight_only", group_size=128)
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
"Qwen/Qwen2.5-VL-7B-Instruct",
torch_dtype=torch.bfloat16,
device_map="auto",
quantization_config=quantization_config
)
注意事项
使用 Qwen2.5-VL 处理视频输入，请将
"type": "video"设置如下所示。conversation = [ { "role": "user", "content": [ {"type": "video", "path": "/path/to/video.mp4"}, {"type": "text", "text": "What happened in the video?"}, ], } ] inputs = processor.apply_chat_template( conversation, video_fps=1, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt" ).to(model.device) # Inference: Generation of the output output_ids = model.generate(**inputs, max_new_tokens=128) generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(inputs.input_ids, output_ids)] output_text = processor.batch_decode(generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True) print(output_text)使用 Qwen2.5-VL 处理混合批次输入（图像、视频、文本）。在处理多个图像或视频时添加标签，以便更好地参考，如下所示。
import torch from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor model = Qwen2_5_VLForConditionalGeneration.from_pretrained( "Qwen/Qwen2.5-VL-7B-Instruct", torch_dtype=torch.float16, device_map="auto", attn_implementation="sdpa" ) processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct") conversation = [ { "role": "user", "content": [ {"type": "image"}, {"type": "text", "text": "Hello, how are you?"} ] }, { "role": "assistant", "content": "I'm doing well, thank you for asking. How can I assist you today?" }, { "role": "user", "content": [ {"type": "text", "text": "Can you describe these images and video?"}, {"type": "image"}, {"type": "image"}, {"type": "video"}, {"type": "text", "text": "These are from my vacation."} ] }, { "role": "assistant", "content": "I'd be happy to describe the images and video for you. Could you please provide more context about your vacation?" }, { "role": "user", "content": "It was a trip to the mountains. Can you see the details in the images and video?" } ] # default: prompt_without_id = processor.apply_chat_template(conversation, add_generation_prompt=True) # Excepted output: '<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\n<|vision_start|><|image_pad|><|vision_end|>Hello, how are you?<|im_end|>\n<|im_start|>assistant\nI'm doing well, thank you for asking. How can I assist you today?<|im_end|>\n<|im_start|>user\nCan you describe these images and video?<|vision_start|><|image_pad|><|vision_end|><|vision_start|><|image_pad|><|vision_end|><|vision_start|><|video_pad|><|vision_end|>These are from my vacation.<|im_end|>\n<|im_start|>assistant\nI'd be happy to describe the images and video for you. Could you please provide more context about your vacation?<|im_end|>\n<|im_start|>user\nIt was a trip to the mountains. Can you see the details in the images and video?<|im_end|>\n<|im_start|>assistant\n' # add ids prompt_with_id = processor.apply_chat_template(conversation, add_generation_prompt=True, add_vision_id=True) # Excepted output: '<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\nPicture 1: <|vision_start|><|image_pad|><|vision_end|>Hello, how are you?<|im_end|>\n<|im_start|>assistant\nI'm doing well, thank you for asking. How can I assist you today?<|im_end|>\n<|im_start|>user\nCan you describe these images and video?Picture 2: <|vision_start|><|image_pad|><|vision_end|>Picture 3: <|vision_start|><|image_pad|><|vision_end|>Video 1: <|vision_start|><|video_pad|><|vision_end|>These are from my vacation.<|im_end|>\n<|im_start|>assistant\nI'd be happy to describe the images and video for you. Could you please provide more context about your vacation?<|im_end|>\n<|im_start|>user\nIt was a trip to the mountains. Can you see the details in the images and video?<|im_end|>\n<|im_start|>assistant\n'使用 AutoProcessor 中的
min_pixels和max_pixels参数设置分辨率。min_pixels = 224*224 max_pixels = 2048*2048 processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)更高的分辨率可能需要更多的计算，而降低分辨率可以节省内存，如下所示：
min_pixels = 256*28*28 max_pixels = 1024*28*28 processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)
Qwen2_5_VLConfig
class transformers.Qwen2_5_VLConfig
< source >( text_config = None vision_config = None image_token_id = 151655 video_token_id = 151656 **kwargs )
这是用于存储 Qwen2_5_VLModel 配置的配置类。它用于根据指定参数实例化 Qwen2-VL 模型，定义模型架构。使用默认值实例化配置将产生类似于 Qwen2-VL-7B-Instruct Qwen/Qwen2-VL-7B-Instruct 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。
>>> from transformers import Qwen2_5_VLForConditionalGeneration, Qwen2_5_VLConfig
>>> # Initializing a Qwen2_5_VL style configuration
>>> configuration = Qwen2_5_VLConfig()
>>> # Initializing a model from the Qwen2-VL-7B style configuration
>>> model = Qwen2_5_VLForConditionalGeneration(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configQwen2_5_VLTextConfig
class transformers.Qwen2_5_VLTextConfig
< source >( vocab_size = 152064 hidden_size = 8192 intermediate_size = 29568 num_hidden_layers = 80 num_attention_heads = 64 num_key_value_heads = 8 hidden_act = 'silu' max_position_embeddings = 32768 initializer_range = 0.02 rms_norm_eps = 1e-05 use_cache = True tie_word_embeddings = False rope_theta = 1000000.0 use_sliding_window = False sliding_window = 4096 max_window_layers = 80 layer_types = None attention_dropout = 0.0 rope_scaling = None image_token_id = None video_token_id = None **kwargs )
参数
- vocab_size (
int, 可选, 默认为 152064) — Qwen2_5_VL 模型的词汇表大小。定义了调用 Qwen2_5_VLModel 时传递的inputs_ids可以表示的不同令牌的数量。 - hidden_size (
int, 可选, 默认为 8192) — 隐藏表示的维度。 - intermediate_size (
int, 可选, 默认为 29568) — MLP 表示的维度。 - num_hidden_layers (
int, 可选, 默认为 80) — Transformer 编码器中的隐藏层数量。 - num_attention_heads (
int, 可选, 默认为 64) — Transformer 编码器中每个注意力层的注意力头数量。 - num_key_value_heads (
int, 可选, 默认为 8) — 用于实现分组查询注意力 (Grouped Query Attention) 的键值头数量。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。将多头检查点转换为 GQA 检查点时，每个分组的键和值头应通过对其组内的所有原始头进行均值池化来构建。有关更多详细信息，请参阅这篇论文。如果未指定，则默认为32。 - hidden_act (
str或function, 可选, 默认为"silu") — 解码器中的非线性激活函数（函数或字符串）。 - max_position_embeddings (
int, 可选, 默认为 32768) — 该模型可能使用的最大序列长度。 - initializer_range (
float, 可选, 默认为 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, 可选, 默认为 1e-05) — rms 归一化层使用的 epsilon 值。 - use_cache (
bool, 可选, 默认为True) — 模型是否应返回最后一个键/值注意力（并非所有模型都使用）。仅当config.is_decoder=True时相关。 - tie_word_embeddings (
bool, 可选, 默认为False) — 模型的输入和输出词嵌入是否应该绑定。 - rope_theta (
float, 可选, 默认为 1000000.0) — RoPE 嵌入的基本周期。 - use_sliding_window (
bool, 可选, 默认为False) — 是否使用滑动窗口注意力。 - sliding_window (
int, 可选, 默认为 4096) — 滑动窗口注意力 (SWA) 的窗口大小。如果未指定，则默认为4096。 - max_window_layers (
int, 可选, 默认为 80) — 使用完整注意力的层数。前max_window_layers层将使用完整注意力，而之后的任何附加层将使用 SWA（滑动窗口注意力）。 - layer_types (
list, 可选) — 每层的注意力模式。 - attention_dropout (
float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。 - rope_scaling (
Dict, 可选) — 包含 RoPE 嵌入缩放配置的字典。注意：如果您应用新的 RoPE 类型并期望模型在更长的max_position_embeddings上工作，我们建议您相应地更新此值。预期内容：rope_type(str)：要使用的 RoPE 子变体。可以是 ['default', 'linear', 'dynamic', 'yarn', 'longrope', 'llama3'] 之一，其中 'default' 是原始 RoPE 实现。factor(float, 可选)：除 'default' 外的所有 RoPE 类型均使用。应用于 RoPE 嵌入的缩放因子。在大多数缩放类型中，x 的factor将使模型能够处理长度为 x * 原始最大预训练长度的序列。original_max_position_embeddings(int, 可选)：与 'dynamic'、'longrope' 和 'llama3' 一起使用。预训练期间使用的原始最大位置嵌入。attention_factor(float, 可选)：与 'yarn' 和 'longrope' 一起使用。应用于注意力计算的缩放因子。如果未指定，则默认为实现建议的值，使用factor字段推断建议值。beta_fast(float, 可选)：仅与 'yarn' 一起使用。设置线性斜坡函数（仅外推）边界的参数。如果未指定，则默认为 32。beta_slow(float, 可选)：仅与 'yarn' 一起使用。设置线性斜坡函数（仅插值）边界的参数。如果未指定，则默认为 1。short_factor(list[float], 可选)：仅与 'longrope' 一起使用。应用于短上下文（<original_max_position_embeddings）的缩放因子。必须是与隐藏大小除以注意力头数再除以 2 长度相同的数字列表。long_factor(list[float], 可选)：仅与 'longrope' 一起使用。应用于长上下文（<original_max_position_embeddings）的缩放因子。必须是与隐藏大小除以注意力头数再除以 2 长度相同的数字列表。low_freq_factor(float, 可选)：仅与 'llama3' 一起使用。应用于 RoPE 低频分量的缩放因子。high_freq_factor(float, 可选)：仅与 'llama3' 一起使用。应用于 RoPE 高频分量的缩放因子。 - image_token_id (
int, 可选) — 用作图像嵌入占位符的令牌索引。 - video_token_id (
int, 可选) — 用作视频嵌入占位符的令牌索引。
这是用于存储 Qwen2_5_VLTextModel 配置的配置类。它用于根据指定参数实例化 Qwen2-VL 模型，定义模型架构。使用默认值实例化配置将产生类似于 Qwen2-VL-7B-Instruct Qwen/Qwen2-VL-7B-Instruct 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。
>>> from transformers import Qwen2_5_VLTextModel, Qwen2_5_VLConfig
>>> # Initializing a Qwen2_5_VL style configuration
>>> configuration = Qwen2_5_VLConfig()
>>> # Initializing a model from the Qwen2-VL-7B style configuration
>>> model = Qwen2_5_VLTextModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configQwen2_5_VLProcessor
class transformers.Qwen2_5_VLProcessor
< source >( image_processor = None tokenizer = None video_processor = None chat_template = None **kwargs )
参数
- image_processor (Qwen2VLImageProcessor, 可选) — 图像处理器是必需输入。
- tokenizer (Qwen2TokenizerFast, 可选) — 分词器是必需输入。
- video_processor (
Qwen2_5_VLVideoProcessor, 可选) — 视频处理器是必需输入。 - chat_template (
str, 可选) — 一个 Jinja 模板，用于将聊天中的消息列表转换为可令牌化的字符串。
构建 Qwen2.5-VL 处理器，它将 Qwen2.5-VL 图像处理器和 Qwen2 分词器封装到一个处理器中。Qwen2_5_VLProcessor 提供 Qwen2VLImageProcessor 和 Qwen2TokenizerFast 的所有功能。有关更多信息，请参阅 __call__() 和 decode() 的文档。
此方法将其所有参数转发到 Qwen2TokenizerFast 的 batch_decode()。有关更多信息，请参阅此方法的文档字符串。
post_process_image_text_to_text
< 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。输出预期为形状为(batch_size, sequence_length)或(sequence_length,)的张量。 - skip_special_tokens (
bool, 可选, 默认为True) — 是否从输出中移除特殊令牌。此参数将传递给分词器的batch_decode方法。 - clean_up_tokenization_spaces (
bool, 可选, 默认为False) — 是否清理分词空间。此参数将传递给分词器的batch_decode方法。 - **kwargs — 额外参数，将传递给分词器的
batch_decode方法。
返回
list[str]
解码后的文本。
对模型输出进行后处理以解码文本。
Qwen2_5_VLTextModel
class transformers.Qwen2_5_VLTextModel
< 源 >( config: Qwen2_5_VLTextConfig )
参数
- config (Qwen2_5_VLTextConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化模型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 Qwen2 5 Vl 文本模型，输出原始隐藏状态，不带任何特定头部。
此模型继承自 PreTrainedModel。请查看超类文档，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、修剪头部等）。
此模型也是 PyTorch torch.nn.Module 子类。请将其作为常规 PyTorch 模块使用，并参阅 PyTorch 文档以了解所有与一般用法和行为相关的事项。
forward
< 源 >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None **kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) → transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (形状为
(batch_size, sequence_length)的torch.LongTensor，可选) — 词汇表中输入序列令牌的索引。默认情况下会忽略填充。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 (形状为
(batch_size, sequence_length)的torch.Tensor，可选) — 掩码，用于避免对填充令牌索引执行注意力。掩码值选择在[0, 1]之间：- 1 表示未被掩码的令牌，
- 0 表示被掩码的令牌。
- 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]。 - past_key_values (
list[torch.FloatTensor], 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），可用于加速顺序解码。当use_cache=True或config.use_cache=True时，通常由模型在解码的先前阶段返回past_key_values。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 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，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（那些没有将其过去键值状态提供给此模型的输入），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，除了传递input_ids，您还可以选择直接传递嵌入表示。如果您希望对input_ids索引转换为关联向量的方式拥有更多控制，而不是使用模型的内部嵌入查找矩阵，这将非常有用。 - 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（请参阅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，请参阅返回张量下的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，请参阅返回张量下的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通元组。 - 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序列长度。
返回
transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
transformers.modeling_outputs.BaseModelOutputWithPast 或 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 (Qwen2_5_VLConfig) 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。有关更多详细信息，请参阅我们的 kv 缓存指南。包含预先计算的隐藏状态（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（请参阅past_key_values输入）。 -
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，则为一个嵌入层输出，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。
Qwen2_5_VLTextModel 的 forward 方法，重写了 __call__ 特殊方法。
尽管前向传播的实现需要在该函数中定义，但之后应调用 Module 实例而不是该函数，因为前者负责运行预处理和后处理步骤，而后者会默默忽略它们。
Qwen2_5_VLModel
class transformers.Qwen2_5_VLModel
< 源 >( config )
参数
- config (Qwen2_5_VLModel) — 模型配置类，包含模型的所有参数。使用配置文件初始化模型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 Qwen2 5 Vl 模型，输出原始隐藏状态，不带任何特定头部。
此模型继承自 PreTrainedModel。请查看超类文档，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、修剪头部等）。
此模型也是 PyTorch torch.nn.Module 子类。请将其作为常规 PyTorch 模块使用，并参阅 PyTorch 文档以了解所有与一般用法和行为相关的事项。
forward
< 源 >( input_ids: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None pixel_values: typing.Optional[torch.Tensor] = None pixel_values_videos: typing.Optional[torch.FloatTensor] = None image_grid_thw: typing.Optional[torch.LongTensor] = None video_grid_thw: typing.Optional[torch.LongTensor] = None rope_deltas: typing.Optional[torch.LongTensor] = None cache_position: typing.Optional[torch.LongTensor] = None second_per_grid_ts: typing.Optional[torch.Tensor] = None **kwargs: typing_extensions.Unpack[transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.KwargsForCausalLM] ) → transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.Qwen2_5_VLModelOutputWithPast 或 tuple(torch.FloatTensor)
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。默认情况下会忽略填充。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 (形状为
(batch_size, sequence_length)的torch.Tensor，可选) — 掩码，用于避免对填充令牌索引执行注意力。掩码值选择在[0, 1]之间：- 1 表示未被掩码的令牌，
- 0 表示被掩码的令牌。
- 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]。 - past_key_values (
list[torch.FloatTensor], 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），可用于加速顺序解码。当use_cache=True或config.use_cache=True时，通常由模型在解码的先前阶段返回past_key_values。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 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，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（那些没有将其过去键值状态提供给此模型的输入），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，除了传递input_ids，您还可以选择直接传递嵌入表示。如果您希望对input_ids索引转换为关联向量的方式拥有更多控制，而不是使用模型的内部嵌入查找矩阵，这将非常有用。 - 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（请参阅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，请参阅返回张量下的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，请参阅返回张量下的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通元组。 - 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。像素值可以通过{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）。 - pixel_values_videos (形状为 `(seq_length, num_channels * temporal_size * image_size * image_size)` 的
torch.FloatTensor) — 对应于输入视频的张量。像素值可以通过 AutoImageProcessor 获取。有关详细信息，请参阅 Qwen2VLImageProcessor.call()。Qwen2_5_VLProcessor 使用 Qwen2VLImageProcessor 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) — 序列长度和多模态 RoPE 之间的 RoPE 索引差异。 - 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序列长度。 - second_per_grid_ts (形状为
(num_videos)的torch.Tensor，可选) — 沿 3D 位置 ID 的时间维度上每个网格的时间间隔（以秒为单位）。
返回
transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.Qwen2_5_VLModelOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.Qwen2_5_VLModelOutputWithPast 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (Qwen2_5_VLConfig) 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，则为一个嵌入层输出，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) — 序列长度和多模态 RoPE 之间的 RoPE 索引差异。
Qwen2_5_VLModel 的 forward 方法，重写了 __call__ 特殊方法。
尽管前向传播的实现需要在该函数中定义，但之后应调用 Module 实例而不是该函数，因为前者负责运行预处理和后处理步骤，而后者会默默忽略它们。
Qwen2_5_VLForConditionalGeneration
forward
< 源 >( input_ids: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None pixel_values: typing.Optional[torch.Tensor] = None pixel_values_videos: typing.Optional[torch.FloatTensor] = None image_grid_thw: typing.Optional[torch.LongTensor] = None video_grid_thw: typing.Optional[torch.LongTensor] = None rope_deltas: typing.Optional[torch.LongTensor] = None cache_position: typing.Optional[torch.LongTensor] = None second_per_grid_ts: typing.Optional[torch.Tensor] = None **kwargs: typing_extensions.Unpack[transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.KwargsForCausalLM] ) → transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.Qwen2_5_VLCausalLMOutputWithPast 或 tuple(torch.FloatTensor)
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。默认情况下会忽略填充。索引可以使用 AutoTokenizer 获取。详情请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor，形状为(batch_size, sequence_length), 可选) — 用于避免在填充 token 索引上执行注意力操作的掩码。掩码值选择在[0, 1]之间：- 1 表示 未被掩盖 的 token，
- 0 表示 被掩盖 的 token。
- 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。选择范围在[0, config.n_positions - 1]之间。 - 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。这通常由模型在解码的先前阶段返回的past_key_values组成，当use_cache=True或config.use_cache=True时。允许两种格式：
- 一个 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 2 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，则将返回旧版缓存格式。如果使用了
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（那些没有将其过去的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 (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size), 可选) — （可选）您可以直接传递嵌入表示，而不是传递input_ids。如果您希望对input_ids索引如何转换为关联向量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) — 用于计算掩码语言建模损失的标签。索引应在[0, ..., config.vocab_size]或 -100 之间（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]中的 token 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（请参阅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。 - 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{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}进行图像处理）。 - pixel_values_videos (
torch.FloatTensor，形状为 `(seq_length, num_channels * temporal_size * image_size * image_size)) — 对应于输入视频的张量。像素值可以使用 AutoImageProcessor 获取。有关详细信息，请参阅 Qwen2VLImageProcessor.call()。Qwen2_5_VLProcessor 使用 Qwen2VLImageProcessor 进行视频处理。 - image_grid_thw (
torch.LongTensor，形状为(num_images, 3), 可选) — LLM 中每张图像的特征形状的时间、高度和宽度。 - video_grid_thw (
torch.LongTensor，形状为(num_videos, 3), 可选) — LLM 中每个视频的特征形状的时间、高度和宽度。 - rope_deltas (
torch.LongTensor，形状为(batch_size, ), 可选) — 序列长度和多模态 rope 之间的 rope 索引差。 - 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。 - 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）。
返回
transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.Qwen2_5_VLCausalLMOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.models.qwen2_5_vl.modeling_qwen2_5_vl.Qwen2_5_VLCausalLMOutputWithPast 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），其中包含根据配置 (Qwen2_5_VLConfig) 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 (
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，则为一个嵌入层输出，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) — 序列长度和多模态 RoPE 之间的 RoPE 索引差异。
Qwen2_5_VLForConditionalGeneration 的 forward 方法，重写了 __call__ 特殊方法。
尽管前向传播的实现需要在该函数中定义，但之后应调用 Module 实例而不是该函数，因为前者负责运行预处理和后处理步骤，而后者会默默忽略它们。
示例
>>> from PIL import Image
>>> import requests
>>> from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration
>>> model = Qwen2_5_VLForConditionalGeneration.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct")
>>> processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct")
>>> messages = [
{
"role": "user",
"content": [
{"type": "image"},
{"type": "text", "text": "What is shown in this image?"},
],
},
]
>>> url = "https://www.ilankelman.org/stopsigns/australia.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
>>> inputs = processor(text=[text], images=[image], vision_infos=[vision_infos])
>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"The image shows a street scene with a red stop sign in the foreground. In the background, there is a large red gate with Chinese characters ..."