Transformers documentation
DeepSeek-V4
该模型于 2026-05-02 贡献至 Hugging Face Transformers。
DeepSeek-V4
DeepSeek-V4 是 DeepSeek 推出的下一代 MoE 语言模型（论文）。该架构用一种局部 + 长程的混合设计取代了 DeepSeek-V3 中的多头潜在注意力（MLA），用流形约束超连接（mHC）取代了残差连接，并通过一个静态的 token-id → expert-id 哈希表来引导前几层 MoE 层。
此实现涵盖 DeepSeek-V4-Flash、DeepSeek-V4-Pro 以及它们的 -Base 预训练版本。这四个模型共享相同的架构，仅在宽度 / 深度 / 专家数量和权重上有所不同。
在 from_pretrained() 中设置
use_kernels=True，即可用 Hub 上的优化内核替换受支持的层。有关详细信息，请参阅 加载内核。
架构（论文 §2）
混合注意力（§2.3）
每个解码器块属于三种注意力类型之一，由 config.layer_types[i] 进行分发：
- 滑动窗口全注意力（
"sliding_attention"）：仅使用sliding_window个 token 的局部窗口，不包含长程分支。与 V3 中引导层（bootstrap layers）的“Full Attention”风格一致。 - 压缩稀疏注意力（
"compressed_sparse_attention"，CSA — 论文 §2.3.1）：采用低压缩比池（compress_rate_csa，默认m=4）并配合重叠窗口，外加一个 Lightning Indexer（公式 13–17），用于对查询与池进行打分，并在进入核心注意力之前，为每个查询收集得分最高的index_topk个块。 - 高压缩注意力（
"heavily_compressed_attention"，HCA — 论文 §2.3.2）：采用高压缩池（compress_rate_hca，默认m'=128）和非重叠窗口。不使用索引器——每个池化条目都参与注意力计算。
这三种类型共享相同的骨干网络：
- 共享 K=V 的多查询注意力：
num_key_value_heads = 1；kv_proj生成单个 KV 头，并且同一个张量同时作为 key 和 value 读取。 - 对每个头末尾的
qk_rope_head_dim = head_dim * partial_rotary_factor个通道应用 部分 RoPE（交错对，论文 §2.3.3 “Partial Rotary Positional Embedding”）。对注意力输出的 rope 切片（公式 26）应用相同的旋转，位置为-i，使得每个 KV 条目的贡献保持为与查询之间相对距离的函数。 - 每个头可学习的注意力汇聚点（公式 27）。
- 分组低秩输出投影（§2.3.1 “Grouped Output Projection”）：
o_groups个注意力头分组 → 每组o_lora_rank→hidden_size，由DeepseekV4GroupedLinear（o_a_proj）后接o_b_proj计算得出。在不损失表达能力的情况下，降低了宽注意力输出的逐 token 计算成本。 - 大小为
sliding_window的共享滑动窗口 K=V 分支（“滑动窗口注意力的附加分支”，§2.3.1）保留了局部细粒度依赖关系；长程压缩器的输出会在核心注意力之前与该分支的 KV 进行拼接。
流形约束超连接（§2.2）
残差连接被 mHC（Xie et al., 2026）所取代：在每个块中，hc_mult 条并行残差流始终保持形状 [B, S, hc_mult, D]。两个 DeepseekV4HyperConnection 模块——attn_hc 和 ffn_hc——通过 (pre, post, comb) 三元组，在注意力 / MLP 子层前后对并行流进行混合。其中 comb 矩阵是由 hc_sinkhorn_iters 次 Sinkhorn–Knopp 迭代在流形上生成的双随机投影，使得信号在深层堆叠中的传播是非扩张的。最后，一个 DeepseekV4HyperHead 在模型归一化之前将 hc_mult 条并行流合并为单一序列。
MoE 调度（§2.1）
路由通过 config.mlp_layer_types 按层进行配置，其取值来自 {"hash_moe", "moe"}：
"hash_moe"：专家索引来自一个冻结的tid2eid[input_ids]查找表，该表由 V4 检查点填充。 学习得到的门控weight仍然会生成用于加权所选专家的每个专家分数；只有 选择哪些专家 是静态的。用于最初几个引导层（默认为 3，可通过旧版num_hash_layers覆盖）。"moe"：标准的 top-k 路由 MoE。专家亲和度使用 Sqrt(Softplus(·)) 代替 V3 的 Sigmoid（“我们将计算亲和度分数的激活函数从 Sigmoid(·) 更改为 Sqrt(Softplus(·))”，论文 §2.1），并且去除了 V3 的n_group/topk_group约束。无辅助损失策略（DeepSeek 的noaux_tc）通过e_score_correction_bias缓冲区得以保留，该缓冲区对 top-k argmax 施加偏置，但不传递梯度。
路由专家在标准 Mixtral [num_experts, 2 * moe_intermediate_size, hidden_size] 专家权重布局之上，使用 截断的 SwiGLU（先执行 gate.clamp(max=swiglu_limit)、up.clamp(min=-swiglu_limit, max=swiglu_limit)，
然后计算 act_fn(gate) * up）。一个共享专家（宽度为 moe_intermediate_size 的普通 SwiGLU MLP）与路由专家并行，对每个 token 进行处理。
注意力掩码布局
每个 DeepseekV4Attention 层都会沿键轴扩展标准的滑动窗口因果掩码，并加入由其压缩器返回的 block_bias，然后将拼接后的掩码传入 eager_attention_forward。滑动部分（左侧，[S, S]）对所有层类型均相同；压缩器部分（右侧）则因层类型而异，是 V4 引入的真正“新颖”部分。
下图使用了一个极小的配置（sliding_window=8，CSA m=4，HCA m'=8，index_topk=2）在 16 个 token 的输入上生成，以便完整的逐层类型掩码能够显示在屏幕上。绿色 = 滑动部分的 query/key 对角线，深色 = 可见的标准 KV 位置，浅色 = 被掩码，琥珀色 = query 允许注意的压缩器 / 索引器槽位。虚线右侧的列由压缩器通过 cat([sliding_causal_mask, block_bias], dim=-1) 追加。
仅滑动层（"sliding_attention"）。 没有压缩器，也没有右侧填充——掩码是形状为 [S, S] 的普通滑动窗口因果掩码（窗口 = 8）。对于 i ≥ window，左下角的三角形被截断，从而恢复仅局部注意力的模式。
CSA 层（"compressed_sparse_attention"）。 压缩器将其按查询聚合的输出展平为 [B, 1, S·k, D]，并将掩码在右侧填充 S·k 列。对于查询 t，只有位于列 [S + t·k, S + (t+1)·k) 的 k 个槽位包含索引器选中的条目；压缩器的所有其他列均为 -inf。在第一个窗口关闭之前（t < m − 1）的查询不会获得任何内容——索引器的 -1 哨兵值会直接传递到掩码中。随着 t 增大，更多压缩条目准备就绪，索引器可以填满所有 k 个槽位。
HCA 层（"heavily_compressed_attention"）。 没有索引器——每个已缓存的压缩条目都可能可见。右侧用 T_total = entry_count["compressor"] 列进行填充。查询 t 只能在其源窗口关闭后看到条目 w，即 w < (t + 1) // m。此处 m=8，条目 0（覆盖位置 0..7）和条目 1（覆盖 8..15）分别在 t ≥ 7 和 t ≥ 15 时变为可见。
这些图表可以通过以下方式端到端复现：
python docs/source/en/imgs/deepseek_v4/visualize_attention_masks.py \
--svg docs/source/en/imgs/deepseek_v4该脚本在此小型配置上执行一次前向传播，为每个注意力层添加包装以捕获精确的 cat([attention_mask, block_bias]) 掩码，将 CSA 的 [S, S·k] 扁平槽位掩码重新映射回 [S, T_entries] 条目可见性视图（因此每个 C_w 列是一个压缩的 条目，而非 gather 槽位），并生成上述三个 SVG。它还会向标准输出打印一个 ANSI 网格以便在终端中快速查看，并转储索引器针对每个查询的 top-k 选择，以便可以审计预热哨兵和选择结果。
缓存层
每个非滑动注意力块都需要在多次前向调用之间传递压缩器 / 索引器状态。V4 提供了两种缓存层类型，它们会自动注册到 LAYER_TYPE_CACHE_MAPPING 中：
DeepseekV4HCACache：滑动窗口 K=V + HCA 压缩器缓冲区 / 池 / 计数（无重叠，无索引器）。DeepseekV4CSACache：滑动窗口 K=V + CSA 压缩器（含重叠状态）+ 并行索引器 在index_head_dim处的缓冲区 / 池 / 计数 / 重叠。
DynamicCache(config=…) 会根据 config.layer_types[i] 构建相应的缓存层。
DeepseekV4Config
class transformers.DeepseekV4Config
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonevocab_size: int = 129280hidden_size: int = 4096moe_intermediate_size: int = 2048num_hidden_layers: int = 43num_attention_heads: int = 64num_key_value_heads: int = 1head_dim: int = 512q_lora_rank: int = 1024num_experts_per_tok: int = 6n_routed_experts: int = 256n_shared_experts: int = 1scoring_func: str = 'sqrtsoftplus'norm_topk_prob: bool = Truerouted_scaling_factor: float = 1.5max_position_embeddings: int = 1048576rope_theta: float | int = 10000.0layer_types: list[str] | None = Nonecompress_rates: dict | None = Nonecompress_rope_theta: float | int = 160000.0hc_mult: int = 4hc_sinkhorn_iters: int = 20hc_eps: float = 1e-06mlp_layer_types: list[str] | None = Noneswiglu_limit: float = 10.0sliding_window: int = 128o_groups: int = 8o_lora_rank: int = 1024index_n_heads: int = 64index_head_dim: int = 128index_topk: int = 512num_nextn_predict_layers: int = 1output_router_logits: bool = Falserouter_aux_loss_coef: float = 0.001router_jitter_noise: float = 0.0hidden_act: str = 'silu'initializer_range: float = 0.02rms_norm_eps: float = 1e-06use_cache: bool = Truepad_token_id: int | None = Nonebos_token_id: int | None = 0eos_token_id: int | list[int] | None = 1tie_word_embeddings: bool = Falserope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = Nonepartial_rotary_factor: float | None = Noneattention_bias: bool = Falsemlp_bias: bool = Falseattention_dropout: float = 0.0 )
参数
- vocab_size (
int，可选，默认为129280) — 模型的词汇表大小。定义了input_ids可以表示的不同 token 数量。 - hidden_size (
int，可选，默认为4096) — 隐藏表示的维度。 - moe_intermediate_size (
int，可选，默认为2048) — 路由专家 MLP 的中间层大小。 - num_hidden_layers (
int, 可选，默认为43) — Transformer 解码器中的隐藏层数量。 - num_attention_heads (
int，可选，默认为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，默认为1) — 这是用于实现 Grouped Query Attention 的 key_value 头数。如果num_key_value_heads=num_attention_heads，模型将使用 Multi Head Attention (MHA)；如果num_key_value_heads=1，模型将使用 Multi Query Attention (MQA)；否则将使用 GQA。在将多头检查点转换为 GQA 检查点时，每个组的 key 和 value 头应通过对该组内所有原始头进行平均池化来构建。更多详情请参阅 这篇论文。如果未指定，则默认为num_attention_heads。 - head_dim (
int，可选，默认为512) — 注意力头维度。如果为 None，则默认为 hidden_size // num_attention_heads - q_lora_rank (
int，可选，默认为1024) — 查询投影的 LoRA 矩阵的秩。 - num_experts_per_tok (
int，可选，默认为6) — 每个 token 路由到的专家数量。这是 token-choice 路由的 top-k 值。 - n_routed_experts (
int，可选，默认为256) — 路由专家的数量。 - n_shared_experts (
int，可选，默认为1) — 共享专家的数量。 - scoring_func (
str，可选，默认为sqrtsoftplus) — 路由器激活函数 —sqrtsoftplus、softmax或sigmoid。 - norm_topk_prob (
bool，可选，默认为True) — 是否对路由专家的权重进行归一化。 - routed_scaling_factor (
float，可选，默认为1.5) — 路由专家的缩放因子。 - max_position_embeddings (
int，可选，默认为1048576) — 该模型可能使用的最大序列长度。 - rope_theta (
Union[float, int]，可选，默认为10000.0) — 主自注意力旋转的 RoPE 基础值。 - layer_types (
list[str], 可选) — 每层注意力调度，取值来自{"compressed_sparse_attention", "heavily_compressed_attention"}。 V4-Pro 默认值：2× HCA 引导 + 交错 CSA / HCA。 - compress_rates (
dict[str, int]) — 按层类型划分的压缩率。默认值为{"compressed_sparse_attention": 4, "heavily_compressed_attention": 128}（CSA 的 m=4，HCA 的 m’=128，参见论文 §2.3.1 / §2.3.2）。BC：将compress_rate_csa/compress_rate_hca作为顶层 kwargs 提供的配置，会在__post_init__阶段被合并进来。 - compress_rope_theta (
Union[float, int]，可选，默认为160000.0) — 压缩分支的 RoPE base（与 YaRN 的rope_scaling配合使用）。 - hc_mult (
int, 可选，默认为4) — 流形约束超连接（mHC）的扩展因子 n_hc（始终启用；参见第 2.2 节）。 - hc_sinkhorn_iters (
int，可选，默认值为20) — 用于将 mHC 残差映射投影到双随机矩阵的 Sinkhorn-Knopp 迭代次数 t_max。 - hc_eps (
float，可选，默认为1e-06) — Sinkhorn-Knopp 归一化的数值下限。 - mlp_layer_types (
list[str], 可选) — 逐层 MoE 调度，取值来自{"hash_moe", "moe"}。hash_moe通过冻结的tid2eid[input_ids]查找进行路由（论文 §2.1，“Hash-MoE bootstrap”）；moe是标准的 top-k 路由 MoE。默认值：前 3 层为hash_moe，其余层为moe。 向后兼容：将num_hash_layers作为顶层关键字参数提供的旧配置会在__post_init__时合并进来。 - swiglu_limit (
float，可选，默认为10.0) — 对路由专家的 gate/up 预激活值进行裁剪。 - sliding_window（
int，可选，默认为128）— 每个注意力块中滑动窗口分支所使用的局部窗口大小 n_win。 - o_groups (
int，可选，默认为8) — 分组输出投影中头组 g 的数量（论文 §2.3.1，“Grouped Output Projection”）。 - o_lora_rank (
int，可选，默认为1024) — 分组输出投影中每个组的中间维度 d_g。 - index_n_heads (
int，可选，默认为64) — 索引器查询头数 n_h^I（论文 §2.3.1，公式 14）。 - index_head_dim (
int，可选，默认为128) — Indexer 头维度 c^I（论文 §2.3.1）。 - index_topk (
int, 可选，默认为512) — Lightning Indexer 通过 top-k 为每个查询保留的压缩条目数量（论文 §2.3.1，公式 17）。 - num_nextn_predict_layers (
int, 可选，默认为1) — 上游检查点中的 MTP 层数（此处未实例化）。 - output_router_logits (
bool，可选，默认为False) — 是否由模型返回路由器 logits。启用此选项后，模型还将输出辅助损失，包括负载均衡损失和路由器 z-loss。 - router_aux_loss_coef (
float，可选，默认值为0.001) — 辅助负载均衡损失系数。用于惩罚 MoE 模型中专家路由的不均衡。 - router_jitter_noise (
float，可选，默认值为0.0) — 在训练期间为 router logits 添加的噪声量，以实现更好的负载均衡。 - 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。 - 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-06) — 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次键/值注意力（并非所有模型都使用）。仅当config.is_decoder=True或模型为仅解码器生成式模型时相关。 - pad_token_id (
int, 可选) — 词表中用于填充的 token id。 - bos_token_id (
int，可选，默认为0) — 词汇表中用于表示流起始的 Token id。 - eos_token_id (
Union[int, list[int]]，可选，默认为1) — 词汇表中用于表示流结束（end-of-stream）的 token id。 - tie_word_embeddings (
bool，可选，默认为False) — 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], 可选) — 包含 RoPE 嵌入配置参数的字典。该字典应包含rope_theta的值，并且如果希望使用 RoPE 处理更长的max_position_embeddings，则可选地包含用于缩放的参数。 - partial_rotary_factor (
float, 可选) — head_dim 中应用 RoPE 的比例。 默认值为qk_rope_head_dim / head_dim，因此 cos/sin 的大小为qk_rope_head_dim。 - attention_bias (
bool，可选，默认为False) — 在自注意力机制中，是否在 query、key、value 和 output 投影层中使用偏置。 - mlp_bias (
bool，可选，默认为False) — 是否在 MLP 层的 up_proj、down_proj 和 gate_proj 层中使用偏置。 - attention_dropout (
float，可选，默认为0.0) — 注意力概率的 dropout 比率。
这是用于存储 DeepseekV4Model 配置的类。它根据指定的参数实例化 Deepseek V4 模型，并定义模型架构。使用默认值实例化配置将得到与 deepseek-ai/DeepSeek-V4-Flash-Base 类似的配置。
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。
V4 将全局的 ALLOWED_LAYER_TYPES 缩小为实际提供的三种注意力块类型和两种 MLP 块类型，此外还包含标准的长度/类型成员检查。
DeepseekV4Model
class transformers.DeepseekV4Model
< source >( config: DeepseekV4Config )
参数
- config (DeepseekV4Config) — 模型配置类，包含模型的所有参数。使用配置文件进行初始化时，不会加载与模型关联的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
未添加任何特定头部的裸 Deepseek V4 模型，直接输出原始隐藏状态。
该模型继承自 PreTrainedModel。请查阅父类文档，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、剪枝头等）。
该模型也是 PyTorch torch.nn.Module 的子类。 请将其作为常规的 PyTorch Module 使用，有关通用用法和行为的所有事项，请参阅 PyTorch 文档。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.LongTensor] = Nonepast_key_values: transformers.cache_utils.Cache | None = Noneinputs_embeds: typing.Optional[torch.Tensor] = Noneuse_cache: bool | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → MoeModelOutputWithPast or tuple(torch.Tensor)
参数
- input_ids (
torch.LongTensor形状为(batch_size, sequence_length), ，可选) — 输入序列中各 token 在词汇表中的索引。默认情况下，填充（padding）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()。
- attention_mask (
torch.Tensor形状为(batch_size, sequence_length), ，可选) — 用于避免对填充 token 索引执行注意力机制的掩码。掩码值取自[0, 1]:- 1 表示未被屏蔽的 token，
- 对于被掩码的 token，值为 0。
- position_ids (
torch.LongTensor形状为(batch_size, sequence_length), 可选) — 输入序列中每个 token 在位置嵌入中的位置索引。取值范围为[0, config.n_positions - 1]. - 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），可用于加速顺序解码。这通常由past_key_values在解码的先前阶段返回，当use_cache=True或config.use_cache=True.仅允许将 Cache 实例作为输入，请参阅我们的 kv cache 指南。 如果未传入
past_key_values，则默认会初始化 DynamicCache。模型将输出与输入相同的缓存格式。
如果使用了
past_key_values，用户应仅输入未处理的input_ids（即未向该模型提供其过去键值状态的那些），其形状为(batch_size, unprocessed_length)，而不是形状为(batch_size, sequence_length)的全部input_ids。 - inputs_embeds（形状为
(batch_size, sequence_length, hidden_size)的torch.Tensor，可选） — 可选地，您可以选择直接传入嵌入表示，而不是传入input_ids。如果您希望对input_ids索引如何转换为相应向量拥有比模型内部嵌入查找矩阵更多的控制权，这将非常有用。 - use_cache (
bool，可选) — 如果设置为True，则会返回past_key_values键值状态，可用于加速解码（参见past_key_values）。
返回值
MoeModelOutputWithPast 或 tuple(torch.Tensor)
MoeModelOutputWithPast 或 torch.Tensor 元组（当传入 return_dict=False 或 config.return_dict=False 时），其包含的元素取决于配置（DeepseekV4Config）和输入。
DeepseekV4Model 的 forward 方法会重写 __call__ 特殊方法。
尽管前向传播的实现需要在此函数中定义，但之后应调用
Module实例，而不是直接调用此函数，因为前者会负责执行预处理和后处理步骤，而后者则会静默地忽略这些步骤。
last_hidden_state（形状为
(batch_size, sequence_length, hidden_size)的torch.Tensor）— 模型最后一层输出的隐藏状态序列。past_key_values（
Cache，可选，在传入use_cache=True或config.use_cache=True时返回）—— 它是一个 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，以及如果
config.is_encoder_decoder=True则还包括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.Tensor)，可选，当传入output_hidden_states=True或config.output_hidden_states=True时返回) — 一个torch.Tensor元组（如果模型具有嵌入层，则包含嵌入层的输出，以及每一层的输出），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。
attentions (
tuple(torch.Tensor)，可选，当传入output_attentions=True或config.output_attentions=True时返回) — 一个torch.Tensor元组（每层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。注意力权重，即经过注意力 softmax 之后的权重，用于在自注意力头中计算加权平均值。
router_logits (
tuple(torch.Tensor)，可选，当传入output_router_probs=True且config.add_router_probs=True，或当config.output_router_probs=True时返回) — 一个torch.Tensor元组（每层一个），形状为(batch_size, sequence_length, num_experts)。由 MoE 路由器计算的原始路由器 logits（softmax 之后），这些术语用于计算混合专家模型的辅助损失。
DeepseekV4ForCausalLM
类 transformers.DeepseekV4ForCausalLM
< source >( config: DeepseekV4Config )
参数
- config (DeepseekV4Config) — 模型配置类，包含模型的所有参数。使用配置文件进行初始化时，不会加载与模型关联的权重，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 Deepseek V4 模型。
该模型继承自 PreTrainedModel。请查阅父类文档，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、剪枝头等）。
该模型也是 PyTorch torch.nn.Module 的子类。 请将其作为常规的 PyTorch Module 使用，有关通用用法和行为的所有事项，请参阅 PyTorch 文档。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.LongTensor] = Nonepast_key_values: transformers.cache_utils.Cache | None = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonelabels: typing.Optional[torch.LongTensor] = Noneuse_cache: bool | None = Noneoutput_router_logits: bool | None = Nonelogits_to_keep: typing.Union[int, torch.Tensor] = 0**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → MoeCausalLMOutputWithPast or tuple(torch.Tensor)
参数
- input_ids (
torch.LongTensor形状为(batch_size, sequence_length), ，可选) — 输入序列中各 token 在词汇表中的索引。默认情况下，填充（padding）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()。
- attention_mask (
torch.Tensor形状为(batch_size, sequence_length), ，可选) — 用于避免对填充 token 索引执行注意力机制的掩码。掩码值取自[0, 1]:- 1 表示未被屏蔽的 token，
- 对于被掩码的 token，值为 0。
- position_ids (
torch.LongTensor形状为(batch_size, sequence_length), 可选) — 输入序列中每个 token 在位置嵌入中的位置索引。取值范围为[0, config.n_positions - 1]. - 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），可用于加速顺序解码。这通常由past_key_values在解码的先前阶段返回，当use_cache=True或config.use_cache=True.仅允许将 Cache 实例作为输入，请参阅我们的 kv cache 指南。 如果未传入
past_key_values，则默认会初始化 DynamicCache。模型将输出与输入相同的缓存格式。
如果使用了
past_key_values，用户应仅输入未处理的input_ids（即未向该模型提供其过去键值状态的那些），其形状为(batch_size, unprocessed_length)，而不是形状为(batch_size, sequence_length)的全部input_ids。 - inputs_embeds（形状为
(batch_size, sequence_length, hidden_size)的torch.Tensor，可选） — 可选地，您可以选择直接传入嵌入表示，而不是传入input_ids。如果您希望对input_ids索引如何转换为相应向量拥有比模型内部嵌入查找矩阵更多的控制权，这将非常有用。 - 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。索引值应在[0, ..., config.vocab_size]范围内，或为 -100（参见input_ids的文档字符串）。索引值设为-100的 token 将被忽略（即被掩码），损失仅针对标签位于[0, ..., config.vocab_size]范围内的 token 进行计算。 - use_cache (
bool，可选) — 如果设置为True，则会返回past_key_values键值状态，可用于加速解码（参见past_key_values）。 - output_router_logits (
bool, 可选) — 是否返回所有路由器的 logits。它们对于计算路由器损失很有用，在推理期间不应返回。 - 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）。生成过程只需要最后一个 token 的 logits，仅针对该 token 进行计算可以节省内存，对于长序列或大词汇量而言，这种节省相当显著。 如果为torch.Tensor，则必须是一维张量，对应于序列长度维度中需要保留的索引。 这在使用打包张量格式（将批次和序列长度合并为单一维度）时非常有用。
返回值
MoeCausalLMOutputWithPast 或 tuple(torch.Tensor)
MoeCausalLMOutputWithPast 或 torch.Tensor 元组（如果传入 return_dict=False 或 config.return_dict=False），其包含的元素取决于配置（DeepseekV4Config）和输入。
DeepseekV4ForCausalLM 的 forward 方法重写了 __call__ 特殊方法。
尽管前向传播的实现需要在此函数中定义，但之后应调用
Module实例，而不是直接调用此函数，因为前者会负责执行预处理和后处理步骤，而后者则会静默地忽略这些步骤。
loss (
torch.Tensor，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.Tensor）— 语言建模头的预测分数（SoftMax 之前每个词汇表 token 的分数）。aux_loss (
torch.Tensor，可选，当传入output_router_logits=True或config.output_router_logits=True，且模型使用负载均衡损失训练其路由器时返回) — 稀疏模块的负载均衡辅助损失。那些改用路由器偏差来平衡其专家（DeepSeek-V3 及由其衍生的架构）的模型，此处返回None，但仍会返回router_logits。router_logits (
tuple(torch.Tensor)，可选，在传入output_router_logits=True或config.output_router_logits=True时返回) — 一个torch.Tensor元组（每个稀疏层对应一个），形状为(batch_size * sequence_length, num_experts)。由 MoE 路由器计算的原始路由器 logits。可用于计算负载均衡损失，或检查 token 如何被分发到各个专家。
past_key_values（
Cache，可选，在传入use_cache=True或config.use_cache=True时返回）—— 它是一个 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），可用于（参见
past_key_values输入）加速顺序解码。hidden_states (
tuple(torch.Tensor)，可选，当传入output_hidden_states=True或config.output_hidden_states=True时返回) — 一个torch.Tensor元组（如果模型具有嵌入层，则包含嵌入层的输出，以及每一层的输出），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。
attentions (
tuple(torch.Tensor)，可选，当传入output_attentions=True或config.output_attentions=True时返回) — 一个torch.Tensor元组（每层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。注意力权重，即经过注意力 softmax 之后的权重，用于在自注意力头中计算加权平均值。
示例：
>>> from transformers import AutoTokenizer, DeepseekV4ForCausalLM
>>> model = DeepseekV4ForCausalLM.from_pretrained("mistralai/DeepseekV4-8x7B-v0.1")
>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/DeepseekV4-8x7B-v0.1")
>>> 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."