参数

• images (ImageInput) — 要预处理的图像。需要单个或一批像素值范围为 0 到 255 的图像。如果传入的图像像素值在 0 到 1 之间，请设置 `do_rescale=False`。
• videos (VideoInput) — 要预处理的视频。需要单个或一批像素值范围为 0 到 255 的视频。如果传入的视频像素值在 0 到 1 之间，请设置 `do_rescale=False`。
• do_resize (bool, optional, 默认为 self.do_resize) — 是否调整图像大小。
• size (dict[str, int], optional, 默认为 self.size) — 调整大小后图像的尺寸。图像的最短边将被调整为 size[“shortest_edge”]，最长边则按比例调整以保持输入图像的宽高比。
• resample (int, optional, 默认为 self.resample) — 如果调整图像大小，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` 时生效。
• do_rescale (bool, optional, 默认为 self.do_rescale) — 是否对图像进行缩放。
• rescale_factor (float, optional, 默认为 self.rescale_factor) — 如果 `do_rescale` 设置为 `True`，用于缩放图像的缩放因子。
• do_normalize (bool, optional, 默认为 self.do_normalize) — 是否对图像进行归一化。
• image_mean (float or list[float], optional, 默认为 self.image_mean) — 用于归一化的图像均值。仅当 `do_normalize` 设置为 `True` 时生效。
• image_std (float or list[float], optional, 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` 时生效。
• min_pixels (int, optional, 默认为 self.min_pixels) — 调整图像大小时的最小像素数。
• max_pixels (int, optional, 默认为 self.max_pixels) — 调整图像大小时的最大像素数。
• patch_size (int, optional, 默认为 self.patch_size) — 视觉编码器的空间块大小。
• temporal_patch_size (int, optional, 默认为 self.temporal_patch_size) — 视觉编码器的时间块大小。
• merge_size (int, optional, 默认为 self.merge_size) — 视觉编码器到大语言模型编码器的合并大小。
• do_convert_rgb (bool, optional, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
• return_tensors (str or TensorType, optional) — 返回的张量类型。可以是以下之一：
  • 未设置：返回一个 `np.ndarray` 列表。
  • `TensorType.TENSORFLOW` 或 `'tf'`：返回一个 `tf.Tensor` 类型的批次。
  • `TensorType.PYTORCH` 或 `'pt'`：返回一个 `torch.Tensor` 类型的批次。
  • `TensorType.NUMPY` 或 `'np'`：返回一个 `np.ndarray` 类型的批次。
  • `TensorType.JAX` 或 `'jax'`：返回一个 `jax.numpy.ndarray` 类型的批次。
• data_format (ChannelDimension or str, optional, 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 (通道数, 高度, 宽度)。
  • "channels_last" 或 ChannelDimension.LAST：图像格式为 (高度, 宽度, 通道数)。
  • 未设置：使用输入图像的通道维度格式。
• input_data_format (ChannelDimension or str, optional) — 输入图像的通道维度格式。如果未设置，则从输入图像中推断通道维度格式。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)。

参数

• do_resize (bool, 可选, 默认为 self.do_resize) — 是否将视频的（高、宽）维度调整为指定的 size。可在 preprocess 方法中通过 do_resize 参数覆盖。
• size (dict, 可选, 默认为 self.size) — 调整大小后输出视频的尺寸。可在 preprocess 方法中通过 size 参数覆盖。
• size_divisor (int, 可选, 默认为 self.size_divisor) — 确保高度和宽度都能被此数值整除的大小。
• default_to_square (bool, 可选, 默认为 self.default_to_square) — 如果 size 是一个整数，在调整大小时是否默认为方形视频。
• resample (PILImageResampling, 可选, 默认为 self.resample) — 如果调整视频大小，则使用此重采样滤波器。仅在 do_resize 设置为 True 时生效。可在 preprocess 方法中通过 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 方法中通过 do_center_crop 参数覆盖。
• do_pad (bool, 可选) — 是否将视频填充到批次中视频的 (max_height, max_width)。
• crop_size (dict[str, int] 可选, 默认为 self.crop_size) — 应用 center_crop 后输出视频的尺寸。可在 preprocess 方法中通过 crop_size 参数覆盖。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否通过指定的缩放因子 rescale_factor 对视频进行缩放。可在 preprocess 方法中通过 do_rescale 参数覆盖。
• rescale_factor (int 或 float, 可选, 默认为 self.rescale_factor) — 如果对视频进行缩放，则使用此缩放因子。仅在 do_rescale 设置为 True 时生效。可在 preprocess 方法中通过 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。可在 preprocess 方法中通过 do_normalize 参数覆盖。可在 preprocess 方法中通过 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，则使用此均值。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。可在 preprocess 方法中通过 image_mean 参数覆盖。可在 preprocess 方法中通过 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，则使用此标准差。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。可在 preprocess 方法中通过 image_std 参数覆盖。可在 preprocess 方法中通过 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 格式。
• video_metadata (VideoMetadata, 可选) — 视频的元数据，包含总时长、帧率和总帧数等信息。
• 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，每秒要采样的目标帧数。
• 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 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 视频格式为 (height, width, num_channels)。
  • 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，将从输入视频中推断通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 视频格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 视频格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE: 视频格式为 (height, width)。
• device (torch.device, 可选) — 处理视频的设备。如果未设置，将从输入视频中推断设备。

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。期望是单个或一批像素值在 0 到 255 范围内的图像。如果传入的图像像素值在 0 到 1 之间，请设置 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。期望是单个或一批像素值在 0 到 255 范围内的视频。如果传入的视频像素值在 0 到 1 之间，请设置 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。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果调整图像大小，则使用此重采样滤波器。这可以是 PILImageResampling 枚举之一。仅在 do_resize 设置为 True 时生效。
• do_rescale (bool, 可选) — 是否缩放图像。
• rescale_factor (float, 可选) — 如果 `do_rescale` 设置为 `True`，则用于缩放图像的比例因子。
• 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。仅在 `do_normalize` 设置为 `True` 时生效。
• image_std (Union[float, list[float], NoneType]) — 用于归一化的图像标准差。仅在 `do_normalize` 设置为 `True` 时生效。
• min_pixels (int, 可选, 默认为 56 * 56) — 调整图像大小时允许的最小像素数。
• max_pixels (int, 可选, 默认为 28 * 28 * 1280) — 调整图像大小时允许的最大像素数。
• 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) — 视觉编码器到大语言模型编码器的合并大小。
• do_convert_rgb (bool, 可选) — 是否将图像转换为RGB格式。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 若设置为 `pt`，则返回堆叠的张量，否则返回一个张量列表。
• data_format (~image_utils.ChannelDimension, 可选, 默认为 ChannelDimension.FIRST) — 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，则从输入图像中推断通道维度格式。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) — 处理图像的设备。如果未设置，则从输入图像中推断设备。
• disable_grouping (bool, 可选, 默认为 False) — 是否禁用按尺寸对图像进行分组，以便单独处理而不是分批处理。如果为 `None`，则在图像位于 CPU 上时设置为 `True`，否则设置为 `False`。这一选择基于经验观察，详见：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标记。该参数会传递给分词器的 `batch_decode` 方法。
• clean_up_tokenization_spaces (bool, 可选, 默认为 False) — 是否清理分词产生的空格。该参数会传递给分词器的 `batch_decode` 方法。
• **kwargs — 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 (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。

  可以使用 AutoTokenizer 获取索引。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) — 用于避免对填充标记索引执行注意力操作的掩码。掩码值选自 `[0, 1]`：
  • 1 表示**未被掩码**的标记，
  • 0 表示**被掩码**的标记。

  什么是注意力掩码？

• 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。选自范围 `[0, config.n_positions - 1]`。

  什么是位置 ID？

• 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），可用于加速序列解码。这通常是模型在先前的解码阶段返回的 `past_key_values`，当 `use_cache=True` 或 `config.use_cache=True` 时。

  支持两种格式：

  • 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，其中每个元组包含两个形状为 `(batch_size, num_heads, sequence_length, embed_size_per_head)` 的张量。这也称为旧版缓存格式。

  模型将输出与输入相同的缓存格式。如果未传递 `past_key_values`，则将返回旧版缓存格式。

  如果使用 `past_key_values`，用户可以选择只输入最后一个 `input_ids`（那些没有为其提供过去键值状态的标记），形状为 `(batch_size, 1)`，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，您可以选择直接传递嵌入表示，而不是传递 `input_ids`。如果您希望比模型内部的嵌入查找矩阵更能控制如何将 `input_ids` 索引转换为相关向量，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（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) — 是否返回一个 ModelOutput 而不是一个普通的元组。
• cache_position (torch.LongTensor，形状为 `(sequence_length)`, 可选) — 表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。它用于在正确的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（如果传递了 `return_dict=False` 或 `config.return_dict=False`），根据配置 (Qwen2VLConfig) 和输入包含不同的元素。

• 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, 当传递 `use_cache=True` 或 `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。

  包含预计算的隐藏状态（自注意力块中的键和值，以及当 `config.is_encoder_decoder=True` 时，在交叉注意力块中的键和值），可用于（参见 `past_key_values` 输入）加速序列解码。

• hidden_states (tuple(torch.FloatTensor), 可选, 当传递 `output_hidden_states=True` 或 `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），再加上每个层的输出），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, 当传递 `output_attentions=True` 或 `config.output_attentions=True` 时返回) — `torch.FloatTensor` 的元组（每层一个），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。

  可以使用 AutoTokenizer 获取索引。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) — 用于避免对填充标记索引执行注意力操作的掩码。掩码值选自 `[0, 1]`：
  • 1 表示**未被掩码**的标记，
  • 0 表示**被掩码**的标记。

  什么是注意力掩码？

• 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。选自范围 `[0, config.n_positions - 1]`。

  什么是位置 ID？

• 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），可用于加速序列解码。这通常是模型在先前的解码阶段返回的 `past_key_values`，当 `use_cache=True` 或 `config.use_cache=True` 时。

  支持两种格式：

  • 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，其中每个元组包含两个形状为 `(batch_size, num_heads, sequence_length, embed_size_per_head)` 的张量。这也称为旧版缓存格式。

  模型将输出与输入相同的缓存格式。如果未传递 `past_key_values`，则将返回旧版缓存格式。

  如果使用 `past_key_values`，用户可以选择只输入最后一个 `input_ids`（那些没有为其提供过去键值状态的标记），形状为 `(batch_size, 1)`，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，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好地控制如何将 input_ids 索引转换为相关向量，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。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) — 是否返回一个 ModelOutput 而不是一个普通的元组。
• 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，请参见 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• 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，请参见 Qwen2VLImageProcessor.call()。Qwen2VLProcessor 使用 Qwen2VLImageProcessor 处理视频。
• image_grid_thw (torch.LongTensor，形状为 (num_images, 3)，可选) — LLM 中每张图像特征形状的时间、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 索引差异。
• cache_position (torch.LongTensor，形状为 (sequence_length)，可选) — 描述输入序列词元在序列中位置的索引。与 position_ids 不同，此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。

一个 transformers.models.qwen2_vl.modeling_qwen2_vl.Qwen2VLModelOutputWithPast 或一个 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），根据配置（Qwen2VLConfig）和输入，包含各种元素。

• last_hidden_state (<class 'torch.FloatTensor'>.last_hidden_state，形状为 (batch_size, sequence_length, hidden_size)，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，当传递 use_cache=True 或 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(torch.FloatTensor) 的元组，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，当传递 output_hidden_states=True 或 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），以及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，当传递 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），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。

参数

• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)) — 词汇表中输入序列词元的索引。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，请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 ID？

• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 用于避免对填充词元索引执行注意力的掩码。掩码值选自 [0, 1]：
  • 1 表示未被掩码的词元，
  • 0 表示被掩码的词元。

  什么是注意力掩码？

• position_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 位置嵌入中每个输入序列词元的位置索引。选自范围 [0, config.n_positions - 1]。

  什么是位置 ID？

• 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。这通常包括在解码的先前阶段由模型返回的 past_key_values，当 use_cache=True 或 config.use_cache=True 时。

  允许两种格式：

  • 一个 Cache 实例，请参阅我们的 kv 缓存指南；
  • 长度为 config.n_layers 的 tuple(torch.FloatTensor) 的元组，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。如果未传递 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形状为 (batch_size, 1) 的最后一个 input_ids（那些没有为其提供过去键值状态的词元），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好地控制如何将 input_ids 索引转换为相关向量，这会很有用。
• 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（参见 input_ids 文档字符串）。索引设置为 -100 的词元将被忽略（掩码），损失仅对标签在 [0, ..., config.vocab_size] 内的词元计算。
• 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。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。
• 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，请参见 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• 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，请参见 Qwen2VLImageProcessor.call()。Qwen2VLProcessor 使用 Qwen2VLImageProcessor 处理视频。
• image_grid_thw (torch.LongTensor，形状为 (num_images, 3)，可选) — LLM 中每张图像特征形状的时间、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 索引差异。
• cache_position (torch.LongTensor，形状为 (sequence_length)，可选) — 描述输入序列词元在序列中位置的索引。与 position_ids 不同，此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。

一个 transformers.models.qwen2_vl.modeling_qwen2_vl.Qwen2VLCausalLMOutputWithPast 或一个 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），根据配置（Qwen2VLConfig）和输入，包含各种元素。

• 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，当传递 use_cache=True 或 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(torch.FloatTensor) 的元组，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，当传递 output_hidden_states=True 或 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），以及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，当传递 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），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。