Transformers documentation

Byte Latent Transformer (BLT)

Transformers

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

Mô hình này được công bố trên HF papers vào ngày 2024-12-13 và được đóng góp cho Hugging Face Transformers vào ngày 2025-09-19.

Byte Latent Transformer (BLT)

Tổng quan

Mô hình BLT được đề xuất trong Byte Latent Transformer: Patches Scale Better Than Tokens bởi Artidoro Pagnoni, Ram Pasunuru, Pedro Rodriguez, John Nguyen, Benjamin Muller, Margaret Li1, Chunting Zhou, Lili Yu, Jason Weston, Luke Zettlemoyer, Gargi Ghosh, Mike Lewis, Ari Holtzman†, Srinivasan Iyer. BLT là một LLM ở cấp độ byte, đạt hiệu năng tương đương cấp độ token hóa thông qua việc vá động dựa trên entropy.

Tóm tắt từ bài báo như sau:

Chúng tôi giới thiệu Byte Latent Transformer (BLT), một kiến trúc LLM ở cấp byte mới, lần đầu tiên đạt hiệu năng tương đương với các LLM dựa trên token hóa ở quy mô lớn, đồng thời cải thiện đáng kể hiệu quả suy luận và độ bền vững. BLT mã hóa các byte thành các patch có kích thước động, đóng vai trò là các đơn vị tính toán chính. Các patch được phân đoạn dựa trên entropy của byte tiếp theo, phân bổ nhiều tài nguyên tính toán và sức chứa mô hình hơn ở những nơi mà độ phức tạp dữ liệu cao hơn đòi hỏi. Chúng tôi trình bày nghiên cứu mở rộng có kiểm soát flop đầu tiên cho các mô hình cấp byte lên đến 8B tham số và 4T byte huấn luyện. Kết quả của chúng tôi chứng minh tính khả thi của việc mở rộng các mô hình được huấn luyện trên các byte thô mà không có bảng từ vựng cố định. Hiệu quả cả trong huấn luyện lẫn suy luận đều được cải thiện nhờ việc chọn động các patch dài khi dữ liệu có thể dự đoán được, cùng với những cải thiện về chất lượng trong suy luận và khái quát hóa cho các trường hợp hiếm gặp. Nhìn chung, với chi phí suy luận cố định, BLT cho thấy khả năng mở rộng vượt trội hơn đáng kể so với các mô hình dựa trên token hóa, nhờ đồng thời tăng kích thước cả patch lẫn mô hình.

Mẹo sử dụng

Kiến trúc Mô hình kép: BLT bao gồm hai mô hình được huấn luyện riêng biệt:
- Patcher (Entropy Model): Một mô hình transformer nhỏ hơn dự đoán entropy ở cấp độ byte để xác định ranh giới patch và phân đoạn đầu vào.
- Mô hình Transformer chính: Mô hình chính xử lý các patch thông qua Local Encoder, Global Transformer và Local Decoder.
Đóng vá động: Mô hình sử dụng đóng vá động dựa trên entropy, trong đó:
- Các vùng có entropy cao (dữ liệu phức tạp) nhận các patch ngắn hơn với nhiều sự chú ý tính toán hơn
- Các vùng entropy thấp (dữ liệu có thể dự đoán) nhận các patch dài hơn để tăng hiệu quả
- Điều này cho phép mô hình phân bổ tài nguyên tính toán vào những nơi cần thiết nhất
Local Encoder: Xử lý các chuỗi byte bằng cross-attention với các patch embeddings
Transformer toàn cục: Xử lý các biểu diễn ở mức patch với sự chú ý đầy đủ giữa các patch
Local Decoder: Tạo ra đầu ra với cross-attention quay lại chuỗi byte gốc
Trình phân tách token ở mức byte: Khác với các trình phân tách truyền thống sử dụng từ vựng được học, trình phân tách của BLT đơn giản chỉ chuyển đổi văn bản thành các byte UTF-8 và ánh xạ mỗi byte thành một ID token. Không cần đến từ vựng.

Mô hình có thể được nạp thông qua:

from transformers import AutoModelForCausalLM, AutoTokenizer


tokenizer = AutoTokenizer.from_pretrained("itazap/blt-1b-hf")
model = AutoModelForCausalLM.from_pretrained(
    "itazap/blt-1b-hf",
    device_map="auto",
)

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

prompt = "my name is"
generated_ids = model.generate(
    **inputs, max_new_tokens=NUM_TOKENS_TO_GENERATE, do_sample=False, use_cache=False
)

print(tokenizer.decode(generated_ids[0]))

</hfoption>

Mô hình này được đóng góp bởi itazap. Mã nguồn gốc có thể được tìm thấy tại đây.

BltConfig

lớp transformers.BltConfig

< source >

Tham số

vocab_size (int, tuỳ chọn, mặc định là 260) — Kích thước từ vựng của mô hình. Xác định số lượng token khác nhau có thể được biểu diễn bởi input_ids.
max_position_embeddings (int, tùy chọn, mặc định là 4096) — Chiều dài chuỗi tối đa mà mô hình này có thể được sử dụng.
patch_in_forward (bool, tùy chọn, mặc định là True) — Có thực hiện vá (patching) trong quá trình truyền thuận hay không.
patch_size (int, tùy chọn, mặc định là 4) — Kích thước của các patch được sử dụng trong cơ chế patching.
patching_mode (str, tùy chọn, mặc định là "entropy") — Chế độ được sử dụng cho việc vá (patching), chẳng hạn như vá dựa trên entropy.
patching_threshold (float, tùy chọn, mặc định là 1.34) — Giá trị ngưỡng được sử dụng để xác định thời điểm áp dụng các bản vá.
patching_batch_size (int, tùy chọn, mặc định là 1) — Kích thước lô (batch size) được sử dụng trong quá trình vá (patching).
max_patch_length (int, tùy chọn) — Độ dài tối đa của các patch có thể được tạo ra.
cross_attn_k (int, tùy chọn, mặc định là 2) — Số lượng đầu chú ý chéo (cross-attention) được sử dụng trong mô hình.
encoder_hash_byte_group_size (list, tùy chọn) — Danh sách các kích thước nhóm byte được sử dụng trong hàm băm của bộ mã hóa.
encoder_hash_byte_group_vocab (int, tùy chọn, mặc định là 500002) — Kích thước từ vựng cho các nhóm byte băm của bộ mã hóa.
encoder_hash_byte_group_nb_functions (int, tuỳ chọn, mặc định là 1) — Số lượng hàm băm được sử dụng trong việc nhóm byte của bộ mã hóa.
patcher_config (BltPatcherConfig, tùy chọn) — Cấu hình cho thành phần patcher của mô hình.
encoder_config (Union[dict, ~configuration_utils.PreTrainedConfig], tùy chọn) — Đối tượng cấu hình hoặc từ điển của bộ khung encoder.
decoder_config (Union[dict, ~configuration_utils.PreTrainedConfig], tùy chọn) — Đối tượng cấu hình hoặc từ điển của khung xương decoder.
global_config (BltGlobalTransformerConfig, tùy chọn) — Cấu hình cho thành phần transformer toàn cục của mô hình.
tie_word_embeddings (bool, tùy chọn, mặc định là False) — Có nên gắn kết các trọng số nhúng theo ánh xạ tied_weights_keys của mô hình hay không.
use_cache (bool, tùy chọn, mặc định là True) — Xác định xem mô hình có nên trả về các chú ý key/values cuối cùng hay không (không được sử dụng bởi tất cả các mô hình). Chỉ liên quan nếu config.is_decoder=True hoặc khi mô hình là mô hình sinh chỉ có decoder.
pad_token_id (int, tùy chọn) — Token id được sử dụng để đệm trong từ vựng.
bos_token_id (int, tùy chọn) — Token id được sử dụng cho beginning-of-stream trong bảng từ vựng.
eos_token_id (Union[int, list[int]], tùy chọn) — Token id được sử dụng cho end-of-stream trong bảng từ vựng.
initializer_range (float, tùy chọn, mặc định là 0.02) — Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.
rope_parameters (Union[~modeling_rope_utils.RopeParameters, dict], tùy chọn) — Từ điển chứa các tham số cấu hình cho các embedding RoPE. Từ điển phải chứa một giá trị cho rope_theta và tùy chọn các tham số được sử dụng để mở rộng trong trường hợp bạn muốn sử dụng RoPE với max_position_embeddings dài hơn.

Đây là lớp cấu hình để lưu trữ cấu hình của một BltModel. Nó được sử dụng để khởi tạo một mô hình Blt theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của itazap/blt-1b-hf

Các đối tượng cấu hình kế thừa từ PreTrainedConfig và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ PreTrainedConfig để biết thêm thông tin.

Ví dụ:

>>> from transformers import BltModel, BltConfig

>>> # Initializing a Blt configuration
>>> configuration = BltConfig()

>>> # Initializing a model from the configuration
>>> model = BltModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

lớp transformers.BltModel

< source >

( config: BltConfig )

forward

< source >

( input_ids: typing.Optional[torch.LongTensor] = Nonepatch_lengths: typing.Optional[torch.Tensor] = 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.FloatTensor] = Noneuse_cache: bool | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> )

BltForCausalLM

lớp transformers.BltForCausalLM

< source >

( config: BltConfig )

Tham số

config (BltConfig) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số của mô hình.

Mô hình văn bản Blt với đầu mô hình hóa ngôn ngữ ở phía trên.

Mô hình này kế thừa từ PreTrainedModel. Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu, v.v.)

Mô hình này cũng là một lớp con của torch.nn.Module trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

forward

< source >

( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.LongTensor] = Nonecross_attention_states: typing.Optional[torch.LongTensor] = Nonecross_attention_mask: typing.Optional[torch.LongTensor] = Nonefull_text_row_masked_out_mask: tuple[torch.Tensor, torch.Tensor] | None = Nonepast_key_values: transformers.cache_utils.Cache | None = Noneinputs_embeds: typing.Optional[torch.FloatTensor] = Nonelabels: typing.Optional[torch.LongTensor] = Noneuse_cache: bool | None = Nonelogits_to_keep: typing.Union[int, torch.Tensor] = 0**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → CausalLMOutputWithPast or tuple(torch.FloatTensor)

Tham số

input_ids (torch.LongTensor có dạng (batch_size, sequence_length), tùy chọn) — Chỉ số của các token trong chuỗi đầu vào theo từ điển. Mặc định, padding sẽ bị bỏ qua.
Các chỉ số có thể được lấy bằng cách sử dụng AutoTokenizer. Xem PreTrainedTokenizer.encode() và PreTrainedTokenizer.call() để biết thêm chi tiết.

ID đầu vào là gì?
attention_mask (torch.Tensor có hình dạng (batch_size, sequence_length), tùy chọn) — Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong [0, 1]:
- 1 cho các token không bị che,
- 0 cho các token bị che.
Mặt nạ chú ý là gì?
position_ids (torch.LongTensor có hình dạng (batch_size, sequence_length), tùy chọn) — Chỉ số vị trí của các token trong mỗi chuỗi đầu vào trong các position embeddings. Được chọn trong khoảng [0, config.n_positions - 1].
ID vị trí là gì?
cross_attention_states (torch.FloatTensor, tùy chọn) — Đầu ra của mô hình thị giác, được sử dụng cho cross-attention. Tensor này chứa các đặc trưng hình ảnh đã được xử lý mà mô hình ngôn ngữ sẽ chú ý đến.
cross_attention_mask (torch.Tensor có shape (batch_size, seq_length, max_num_images, max_num_tiles), tùy chọn) — Mặt nạ cross-attention để kiểm soát tương tác giữa các token văn bản và các ô ảnh. Tensor 4 chiều này xác định ô ảnh nào mà mỗi token văn bản nên chú ý đến.
Với mỗi token văn bản (trong seq_length):
- 1 cho biết token cần chú ý đến ô ảnh tương ứng
- 0 cho thấy token không nên chú ý đến ô ảnh tương ứng
full_text_row_masked_out_mask (tuple[torch.Tensor, torch.Tensor], tuỳ chọn) — Một tuple chứa hai tensor dùng để che các hàng trong cơ chế cross-attention:
- Tensor đầu tiên có shape (batch_size, 1, seq_length, 1) và chứa các giá trị 0 hoặc 1. Giá trị 0 cho biết toàn bộ hàng tương ứng với text token trong ma trận cross-attention phải bị mask (bỏ qua tất cả các image token).
- Tensor thứ hai có cùng hình dạng và được sử dụng bên trong để áp dụng việc che mặt nạ trong quá trình truyền thẳng của các lớp chú ý chéo. Mặt nạ này được suy ra từ cross_attention_mask và được sử dụng để xử lý các trường hợp mà một token văn bản không nên chú ý đến bất kỳ token hình ảnh nào.
past_key_values (~cache_utils.Cache, tuỳ chọn) — Các hidden-state đã tính trước (key và value trong các khối self-attention và cross-attention) có thể được sử dụng để tăng tốc giải mã tuần tự. Điều này thường bao gồm past_key_values được trả về bởi mô hình ở một giai đoạn giải mã trước đó, khi use_cache=True hoặc config.use_cache=True.
Chỉ cho phép Cache instance làm đầu vào, xem hướng dẫn kv cache của chúng tôi. Nếu không truyền past_key_values, DynamicCache sẽ được khởi tạo theo mặc định.

Mô hình sẽ xuất ra cùng định dạng cache được đưa vào làm đầu vào.

Nếu past_key_values được sử dụng, người dùng được kỳ vọng chỉ nhập input_ids chưa được xử lý (những phần chưa có trạng thái key value quá khứ được cung cấp cho mô hình này) có hình dạng (batch_size, unprocessed_length) thay vì toàn bộ input_ids có hình dạng (batch_size, sequence_length).
inputs_embeds (torch.FloatTensor có hình dạng (batch_size, sequence_length, hidden_size), tùy chọn) — Tùy chọn, thay vì truyền input_ids, bạn có thể chọn truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ số input_ids thành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình.
labels (torch.LongTensor có shape (batch_size, sequence_length), tùy chọn) — Nhãn để tính toán tổn thất mô hình hóa ngôn ngữ có che (masked language modeling loss). Chỉ số phải nằm trong [0, ..., config.vocab_size] hoặc -100 (xem docstring của input_ids). Các token có chỉ số được đặt thành -100 sẽ bị bỏ qua (che), tổn thất chỉ được tính cho các token có nhãn nằm trong [0, ..., config.vocab_size].
use_cache (bool, tùy chọn) — Nếu đặt thành True, các trạng thái key value của past_key_values sẽ được trả về và có thể được sử dụng để tăng tốc quá trình giải mã (xem past_key_values).
logits_to_keep (Union[int, torch.Tensor], tùy chọn, mặc định là 0) — Nếu là int, tính logits cho logits_to_keep token cuối. Nếu là 0, tính logits cho tất cả input_ids (trường hợp đặc biệt). Chỉ cần logits của token cuối cho quá trình sinh, và việc chỉ tính cho token đó có thể tiết kiệm bộ nhớ, điều này trở nên khá đáng kể với các chuỗi dài hoặc kích thước từ vựng lớn. Nếu là torch.Tensor, phải là 1 chiều tương ứng với các chỉ số cần giữ trong chiều độ dài chuỗi. Điều này hữu ích khi sử dụng định dạng tensor đóng gói (một chiều duy nhất cho batch và độ dài chuỗi).

Trả về

CausalLMOutputWithPast hoặc tuple(torch.FloatTensor)

Một CausalLMOutputWithPast hoặc một tuple của torch.FloatTensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình (BltConfig) và đầu vào.

Phương thức forward của BltForCausalLM ghi đè lên phương thức đặc biệt __call__.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của Module sau đó thay vì gọi hàm này, vì instance Module sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.

loss (torch.FloatTensor có shape (1,), optional, được trả về khi labels được cung cấp) — Loss của language modeling (cho next-token prediction).
logits (torch.FloatTensor có hình dạng (batch_size, sequence_length, config.vocab_size)) — Điểm dự đoán của đầu mô hình hóa ngôn ngữ (điểm cho mỗi token từ vựng trước SoftMax).
past_key_values (Cache, tùy chọn, được trả về khi use_cache=True được truyền vào hoặc khi config.use_cache=True) — Đây là một instance của Cache. Để biết thêm chi tiết, hãy xem hướng dẫn về kv cache của chúng tôi.

Chứa các hidden-states đã được tính trước (key và values trong các khối self-attention) có thể được sử dụng (xem đầu vào past_key_values) để tăng tốc độ giải mã tuần tự.
hidden_states (tuple(torch.FloatTensor), tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Bộ tuple của torch.FloatTensor (một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng (batch_size, sequence_length, hidden_size).

Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
attentions (tuple(torch.FloatTensor), tuỳ chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Bộ tuple của torch.FloatTensor (một cho mỗi lớp) có hình dạng (batch_size, num_heads, sequence_length, sequence_length).

Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.

Ví dụ:

>>> from transformers import AutoTokenizer, BltForCausalLM

>>> model = BltForCausalLM.from_pretrained("itazap/blt-1b-hf")
>>> tokenizer = AutoTokenizer.from_pretrained("itazap/blt-1b-hf")

>>> prompt = "If I had to write a haiku, it would be:"
>>> inputs = tokenizer(prompt, return_tensors="pt")

>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=40, do_sample=True, temperature=0.6)
>>> result = tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
>>> print(result)
If I had to write a haiku, it would be: "Snowflakes gently fall" - simple, yet peaceful.
I love the idea of snowflakes gently falling, each one

Update on GitHub

←BLOOM ByT5→