Transformers 文档

Youtu-LLM

Transformers

加入 Hugging Face 社区

并获得增强的文档体验

在模型、数据集和 Spaces 上进行协作

通过加速推理获得更快的示例

切换文档主题

开始使用

该模型于 2025 年 12 月 31 日在 HF 论文中发布，并于 2026 年 1 月 28 日贡献给 Hugging Face Transformers。

Youtu-LLM

概述

Youtu-LLM 模型由腾讯优图实验室在 Youtu-LLM 技术报告中提出。

论文摘要如下：我们推出了 Youtu-LLM，这是一款轻量级且功能强大的语言模型，它将高计算效率与原生智能体能力融为一体。与通常依赖蒸馏的小模型不同，Youtu-LLM (1.96B) 是从零开始进行预训练的，旨在系统地培养推理和规划能力。其关键技术进展如下：(1) 支持长上下文的紧凑架构：Youtu-LLM 构建于致密的多潜在注意力（MLA）架构之上，并采用了新颖的 STEM 导向词表，支持 128k 上下文窗口。这种设计能在极小的内存占用下实现稳健的长上下文推理和状态跟踪，非常适合长视野的智能体和推理任务。(2) 原则性的“常识-STEM-智能体”课程：我们整理了约 11T token 的大规模语料库，并实施了多阶段训练策略。通过将预训练数据分布从通用常识逐步转移到复杂的 STEM 和智能体任务，我们确保模型获得深层的认知能力，而非表面的对齐。(3) 可扩展的智能体中途训练（Mid-training）：针对智能体中途训练，我们采用了多种数据构建方案，在数学、编码和工具使用领域合成了丰富多样的轨迹。这些高质量数据使模型能够有效地内化规划和反思行为。广泛的评估表明，Youtu-LLM 为 2B 以下的 LLM 树立了新的行业标杆。在通用基准测试中，它实现了与更大模型相媲美的性能；而在特定智能体任务上，它显著超越了现有的 SOTA 基准，证明了轻量级模型也能够具备强大的内在智能体能力。

使用技巧

该模型使用多头潜在注意力 (MLA) 架构以实现高效推理。在经过约 11 万亿 token 的预训练以及监督微调 (SFT) 和强化学习 (RL) 阶段后，该模型可用于各种语言任务。以下示例演示了如何加载模型、启用推理模式，并使用 re 模块解析输出中的“思考过程”和“最终答案”。

import re

from transformers import AutoModelForCausalLM, AutoTokenizer


# 1. Configure Model
model_id = "tencent/Youtu-LLM-2B"

# 2. Initialize Tokenizer and Model
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map="auto"
)

# 3. Construct Dialogue Input
prompt = "Hello"
messages = [{"role": "user", "content": prompt}]

# Use apply_chat_template to construct input; set enable_thinking=True to activate Reasoning Mode
input_ids = tokenizer.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_tensors="pt",
    enable_thinking=True
).to(model.device)

# 4. Generate Response
outputs = model.generate(
    input_ids,
    max_new_tokens=512,
    do_sample=True,
    temperature=1.0,
    top_p=0.95,
    repetition_penalty=1.05
)

# 5. Parse Results
full_response = tokenizer.decode(outputs[0], skip_special_tokens=True)

def parse_reasoning(text):
    """Extract thought process within <think> tags and the subsequent answer content"""
    thought_pattern = r"<think>(.*?)</think>"
    match = re.search(thought_pattern, text, re.DOTALL)

    if match:
        thought = match.group(1).strip()
        answer = text.split("</think>")[-1].strip()
    else:
        thought = "(No explicit thought process generated)"
        answer = text
    return thought, answer

thought, final_answer = parse_reasoning(full_response)

print(f"\n{'='*20} Thought Process {'='*20}\n{thought}")
print(f"\n{'='*20} Final Answer {'='*20}\n{final_answer}")

此生成内容

==================== Thought Process ====================
The user greeted with 'Hello', which is a simple and friendly opening. Since the input is in English, I should respond in English as per the instruction. I need to introduce myself clearly according to the defined identity: state my name (Youtu-llm), developer (Tencent Youtu team), purpose (helping users solve problems), key capabilities (mathematics, coding, Agent), and goal (efficient and accurate problem-solving). The response should be welcoming and open-ended to encourage further interaction, while staying within the provided identity constraints. No extra information beyond what is specified should be added.

==================== Final Answer ====================
Hello! I am Youtu-llm, a large language model developed by the Tencent Youtu team. I am designed to assist users in solving various problems, excelling in tasks such as mathematics, coding, and Agent-related operations. My goal is to make problem-solving more efficient and accurate through intelligent interaction. How can I assist you today?

关键配置详情

推理模式切换

通过 apply_chat_template 方法中的 enable_thinking 参数进行控制

True（推荐默认值）： 激活思维链（Chain of Thought）；适用于复杂的逻辑和推理任务。
False： 直接输出结果；响应时间更快，适用于简单的对话。

参数	推理模式	普通模式
`do_sample`	`True`	`True`
`temperature`	1.0（保持创造力）	0.7（结果更稳定）
`top_p`	0.95	0.8
`top_k`	20	20
`repetition_penalty`	1.05	-

YoutuConfig

class transformers.YoutuConfig

< 源码 >

( transformers_version: str | None = None architectures: list[str] | None = None output_hidden_states: bool | None = False return_dict: bool | None = True dtype: typing.Union[str, ForwardRef('torch.dtype'), NoneType] = None chunk_size_feed_forward: int = 0 is_encoder_decoder: bool = False id2label: dict[int, str] | dict[str, str] | None = None label2id: dict[str, int] | dict[str, str] | None = None problem_type: typing.Optional[typing.Literal['regression', 'single_label_classification', 'multi_label_classification']] = None vocab_size: int = 128256 hidden_size: int = 2048 intermediate_size: int = 6144 num_hidden_layers: int = 32 num_attention_heads: int = 16 num_key_value_heads: int = 16 kv_lora_rank: int = 512 q_lora_rank: int | None = 1536 qk_rope_head_dim: int = 64 v_head_dim: int | None = 128 qk_nope_head_dim: int = 128 hidden_act: str = 'silu' max_position_embeddings: int = 131072 initializer_range: float | None = None rms_norm_eps: float = 1e-06 use_cache: bool = True pad_token_id: int | None = None bos_token_id: int | None = 128000 eos_token_id: int | list[int] | None = 128001 tie_word_embeddings: bool = True rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None rope_interleave: bool | None = True attention_bias: bool = False attention_dropout: float | int | None = 0.0 embedding_initializer_range: float | None = None )

参数

vocab_size (int, 可选, 默认为 128256) — 模型词表大小。定义了 input_ids 可表示的不同 token 的数量。
hidden_size (int, 可选, 默认为 2048) — 隐藏层表示的维度。
intermediate_size (int, 可选, 默认为 6144) — MLP 表示的维度。
num_hidden_layers (int, 可选, 默认为 32) — Transformer 解码器中的隐藏层数量。
num_attention_heads (int, 可选, 默认为 16) — Transformer 解码器中每个注意力层的注意力头数。
num_key_value_heads (int, 可选, 默认为 16) — 用于实现分组查询注意力（GQA）的键值头数。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。在将多头检查点转换为 GQA 检查点时，应通过对组内所有原始头进行平均池化来构建每个组的键和值头。更多详细信息，请查看这篇论文。如未指定，将默认为 num_attention_heads。
kv_lora_rank (int, 可选, 默认为 512) — 键和值投影的 LoRA 矩阵的秩。
q_lora_rank (int, 可选, 默认为 1536) — 查询投影的 LoRA 矩阵的秩。
qk_rope_head_dim (int, 可选, 默认为 64) — 使用旋转位置嵌入（Rotary Position Embeddings）的查询/键头的维度。
v_head_dim (int, 可选, 默认为 128) — 值头的维度。
qk_nope_head_dim (int, 可选, 默认为 128) — 不使用旋转位置嵌入的查询/键头的维度。
hidden_act (str, 可选, 默认为 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, 默认为 131072) — 该模型可能使用的最大序列长度。
initializer_range (float, 可选) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。
rms_norm_eps (float, optional, defaults to 1e-06) — RMS 归一化层使用的 epsilon 值。
use_cache (bool, optional, defaults to True) — 模型是否应该返回最后的键/值注意力（并非所有模型都使用）。仅在 config.is_decoder=True 或模型为仅解码器生成模型时相关。
pad_token_id (int, optional) — 词表中用于填充（padding）的 token ID。
bos_token_id (int, optional, defaults to 128000) — 词表中用于表示流开始（beginning-of-stream）的 token ID。
eos_token_id (Union[int, list[int]], optional, defaults to 128001) — 词表中用于表示流结束（end-of-stream）的 token ID。
tie_word_embeddings (bool, optional, defaults to True) — 是否根据模型的 tied_weights_keys 映射来绑定权重嵌入。
rope_parameters (Union[~modeling_rope_utils.RopeParameters, dict], optional) — 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 max_position_embeddings 从而进行缩放时可选的缩放参数。
rope_interleave (bool, optional, defaults to True) — 是否对旋转位置编码（rotary position embeddings）进行交错处理。
attention_bias (bool, optional, defaults to False) — 是否在自注意力机制中的查询（query）、键（key）、值（value）和输出投影层中使用偏置（bias）。
attention_dropout (Union[float, int], optional, defaults to 0.0) — 注意力概率的 dropout 比率。
embedding_initializer_range (float, optional) — 用于初始化所有嵌入矩阵的截断正态分布初始化器（truncated_normal_initializer）的标准差。

这是用于存储 YoutuModel 配置的配置类。它根据指定的参数实例化 Youtu 模型，定义模型架构。使用默认值实例化配置将产生与 tencent/Youtu-LLM-2B 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。

>>> from transformers import YoutuModel, YoutuConfig
>>> # Initializing a Youtu-LLM-2B style configuration
>>> configuration = YoutuConfig()
>>> # Accessing the model configuration
>>> configuration = model.config

YoutuModel

class transformers.YoutuModel

< 源代码 >

( config: YoutuConfig )

参数

config (YoutuConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。

纯 Youtu 模型，输出原始隐藏状态，顶部没有任何特定的头（head）。

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

< 源代码 >

( 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] ) → BaseModelOutputWithPast 或 tuple(torch.FloatTensor)

参数

input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, optional) — 输入序列 token 在词表中的索引。默认情况下填充（padding）将被忽略。

索引可以使用 AutoTokenizer 获取。详见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什么是输入 ID？
attention_mask (形状为 (batch_size, sequence_length) 的 torch.Tensor, optional) — 用于避免对填充 token 索引执行注意力计算的掩码。掩码值选自 [0, 1]：
- 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, optional) — 每个输入序列 token 在位置嵌入中的位置索引。选值范围为 [0, config.n_positions - 1]。

什么是位置 ID？
past_key_values (~cache_utils.Cache, optional) — 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。

模型将输出与输入缓存格式相同的缓存。

如果使用 past_key_values，用户应仅输入形状为 (batch_size, unprocessed_length) 的未处理 input_ids（那些其过去键值状态未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, optional) — 可选地，你可以选择直接传递嵌入表示，而不是传递 input_ids。如果你希望比模型内部的嵌入查找矩阵更精细地控制如何将 input_ids 索引转换为关联向量，这将非常有用。
use_cache (bool, optional) — 如果设置为 True，将返回 past_key_values 键值状态，并可用于加速解码（参见 past_key_values）。

BaseModelOutputWithPast 或 tuple(torch.FloatTensor)

一个 BaseModelOutputWithPast 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或 config.return_dict=False），根据配置 (YoutuConfig) 和输入包含不同的元素。

YoutuModel 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。

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) — 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=True in the cross-attention blocks) that can be used (see past_key_values input) 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。

YoutuForCausalLM

class transformers.YoutuForCausalLM

< 源代码 >

( config model_args: ~utils.generic.ModelArgs | None = None adapter_args: ~utils.generic.AdapterArgs | None = None lora_args: ~utils.generic.LoRAArgs | None = None tokenizer_args: ~utils.generic.TokenizerArgs | None = None dataset_args: ~utils.generic.DatasetArgs | None = None data_args: ~utils.generic.DataArgs | None = None training_args: ~utils.generic.TrainingArgs | None = None generation_args: ~utils.generic.GenerationArgs | None = None vision_tower_args: ~utils.generic.VisionTowerArgs | None = None qlora_args: ~utils.generic.QLoRAArgs | None = None vision_tower_template_args: ~utils.generic.VisionTowerTemplateArgs | None = None video_tower_args: ~utils.generic.VideoTowerArgs | None = None vision_config: ~utils.generic.VisionConfig | None = None video_config: ~utils.generic.VideoConfig | None = None load_dataset: bool | None = None load_data_collator: bool | None = None load_processor: bool | None = None load_lora_adapter: bool | None = None load_adapter: bool | None = None load_qlora_adapter: bool | None = None **kwargs: typing_extensions.Unpack[transformers.modeling_utils.PreTrainedModelKwargs] )

参数

config (YoutuForCausalLM) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重，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（causal language modeling）的 Youtu 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

< 源码 >

( 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 labels: torch.LongTensor | None = None use_cache: bool | None = None logits_to_keep: int | torch.Tensor = 0 **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → CausalLMOutputWithPast or tuple(torch.FloatTensor)

参数

input_ids (shape为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 输入序列标记在词汇表中的索引。默认情况下会忽略填充（Padding）。

索引可以通过 AutoTokenizer 获取。详情请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什么是输入 ID？
attention_mask (shape为 (batch_size, sequence_length) 的 torch.Tensor, 可选) — 用于避免对填充标记索引执行注意力机制的掩码。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。
什么是注意力掩码？
position_ids (shape为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 每个输入序列标记在位置嵌入中的位置索引。在范围 [0, config.n_positions - 1] 内选择。

什么是位置 ID？
past_key_values (~cache_utils.Cache, 可选) — 预计算的隐藏状态（自注意力模块和交叉注意力模块中的键值），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，且 use_cache=True 或 config.use_cache=True。

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。

模型将输出与输入时格式相同的缓存。

如果使用 past_key_values，用户应仅输入未处理的 input_ids（即那些没有将其过去键值状态提供给该模型的输入），其形状为 (batch_size, unprocessed_length)，而不是所有形状为 (batch_size, sequence_length) 的 input_ids。
inputs_embeds (shape为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选) — 可选，您可以选择直接传递嵌入表示，而不是传递 input_ids。如果您想比模型内部的嵌入查找矩阵更精细地控制如何将 input_ids 索引转换为相关向量，这非常有用。
labels (shape为 (batch_size, sequence_length) 的 torch.LongTensor, 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（参见 input_ids 文档字符串）。索引设置为 -100 的标记将被忽略（掩码），损失仅针对标签在 [0, ..., config.vocab_size] 范围内的标记计算。
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) — 如果是 int，则计算最后 logits_to_keep 个标记的对数概率（logits）。如果为 0，则计算所有 input_ids 的对数概率（特殊情况）。生成时仅需要最后一个标记的对数概率，仅计算该标记的对数概率可以节省内存，这对于长序列或大词汇量变得非常重要。如果为 torch.Tensor，则必须是对应于要在序列长度维度上保留的索引的一维张量。在使用打包张量格式（batch 和序列长度为单维度）时非常有用。

CausalLMOutputWithPast or tuple(torch.FloatTensor)

一个 CausalLMOutputWithPast 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或 config.return_dict=False），根据配置（YoutuConfig）和输入包含不同的元素。

YoutuForCausalLM 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）。
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。

示例

>>> from transformers import AutoTokenizer, YoutuForCausalLM

>>> model = YoutuForCausalLM.from_pretrained("meta-youtu/Youtu-2-7b-hf")
>>> tokenizer = AutoTokenizer.from_pretrained("meta-youtu/Youtu-2-7b-hf")

>>> prompt = "Hey, are you conscious? Can you talk to me?"
>>> inputs = tokenizer(prompt, return_tensors="pt")

>>> # 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]
"Hey, are you conscious? Can you talk to me?\nI'm not conscious, but I can talk to you."

在 GitHub 上更新

←YOSO Zamba→

Transformers

Youtu-LLM

概述

使用技巧

关键配置详情

推理模式切换

推荐解码参数

YoutuConfig

class transformers.YoutuConfig

YoutuModel

class transformers.YoutuModel

forward

YoutuForCausalLM

class transformers.YoutuForCausalLM

forward