# MiniCPM-V [MiniCPM-V](https://huggingface.co/papers/2509.18154) — это серия эффективных мультимодальных больших языковых моделей, разработанных [OpenBMB](https://github.com/OpenBMB). Архитектура MiniCPM-V 4.6 использует визуальный энкодер [SigLIP](siglip) с оконным механизмом внимания для слияния и базовую языковую модель [Qwen3.5](qwen3_5), поддерживая режимы визуального понижения разрешения 4x и 16x. Эта модель была предоставлена [OpenBMB](https://huggingface.co/openbmb). Исходный код можно найти [здесь](https://github.com/OpenBMB/MiniCPM-V). ## Пример использования ### Вывод с помощью Pipeline ```python from transformers import pipeline messages = [ { "role": "user", "content": [ { "type": "image", "image": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg", }, {"type": "text", "text": "Describe this image."}, ], }, ] pipe = pipeline("image-text-to-text", model="openbmb/MiniCPM-V-4_6") outputs = pipe(text=messages, max_new_tokens=50, return_full_text=False) outputs[0]["generated_text"] ``` ### Вывод на одном изображении > [!NOTE] > Модель обучена с использованием конкретного формата промптов для чата. Используйте `processor.apply_chat_template(my_conversation_dict)`, чтобы правильно отформатировать ваши промпты. ```python from transformers import AutoProcessor, AutoModelForImageTextToText model_checkpoint = "openbmb/MiniCPM-V-4_6" processor = AutoProcessor.from_pretrained(model_checkpoint) model = AutoModelForImageTextToText.from_pretrained(model_checkpoint, device_map="auto") 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."}, ], } ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=100) decoded_output = processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True) print(decoded_output) ``` ### Режим понижающей дискретизации MiniCPM-V 4.6 поддерживает два режима визуального понижающего масштабирования: - **16x** (по умолчанию): более агрессивное понижение разрешения, меньшее количество визуальных токенов, более быстрый вывод. - **4x**: меньшее снижение разрешения, больше визуальных токенов, лучше подходит для задач с высокой детализацией. Режим понижающей дискретизации можно изменить во время выполнения, передав `downsample_mode` через `processor_kwargs` и в `model.generate`: ```python inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", processor_kwargs={"downsample_mode": "4x"}, ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=100, downsample_mode="4x") ``` ### Режим размышления Модель поддерживает режим размышлений, управляемый параметром `enable_thinking` в шаблоне чата. При включении этого режима модель генерирует внутреннее рассуждение перед выдачей окончательного ответа: ```python inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", enable_thinking=True, ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=1024) ``` Чтобы отключить режим размышлений (по умолчанию для оценки): ```python inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", enable_thinking=False, ).to(model.device, dtype=model.dtype) ``` ### Бэкенд обработки изображений MiniCPM-V 4.6 предоставляет два бэкенда обработки изображений: - **torchvision** (по умолчанию): использует `torchvision.transforms` для изменения размера изображений. - **pil**: использует `PIL.Image.resize`, что соответствует исходной реализации. Для использования бэкенда PIL: ```python from transformers import AutoProcessor, AutoImageProcessor processor = AutoProcessor.from_pretrained(model_checkpoint) processor.image_processor = AutoImageProcessor.from_pretrained(model_checkpoint, backend="pil") ``` ### Видеоинференс MiniCPM-V 4.6 поддерживает понимание видео. ```python messages = [ { "role": "user", "content": [ {"type": "video", "video": "path/to/video.mp4"}, {"type": "text", "text": "Describe what happens in this video."}, ], } ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=200) decoded_output = processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True) print(decoded_output) ``` Если у вас уже есть строка с отрендеренным промптом, вы можете вместо этого напрямую вызвать `processor(text=..., videos=[...])`. ## MiniCPMV4_6Config[[transformers.MiniCPMV4_6Config]] #### transformers.MiniCPMV4_6Config[[transformers.MiniCPMV4_6Config]] ```python transformers.MiniCPMV4_6Config(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = 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: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, vision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, insert_layer_id: int = 6, image_size: int = 448, drop_vision_last_layer: bool = False, image_token_id: int | None = None, video_token_id: int | None = None, tie_word_embeddings: bool = False, downsample_mode: str = '16x', merge_kernel_size: tuple[int, int] | list[int] = (2, 2), merger_times: int = 1) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/configuration_minicpmv4_6.py#L66) **Параметры:** text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *необязательный*) : Объект конфигурации или словарь текстового бэкбона. vision_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *необязательный*) : Объект конфигурации или словарь для визуального бэкбона. insert_layer_id (`int`, *optional*, по умолчанию 6) : Индекс слоя визуального энкодера, после которого применяется объединитель оконного внимания. image_size (`int`, *optional*, по умолчанию 448) : Базовое разрешение для предобработки изображений. drop_vision_last_layer (`bool`, *необязательный*, по умолчанию `False`) : Указывает, следует ли удалить последний слой визуального энкодера. image_token_id (`int`, *optional*) : Идентификатор токена, используемый в качестве плейсхолдера изображения. video_token_id (`int`, *необязательный*) : Идентификатор токена, используемый в качестве плейсхолдера для видео. tie_word_embeddings (`bool`, *необязательный*, по умолчанию `False`) : Связывать ли веса эмбеддингов согласно отображению `tied_weights_keys` модели. downsample_mode (`str`, *необязательный*, по умолчанию `"16x"`) : Коэффициент понижения разрешения визуальных токенов. `"4x"` сохраняет в 4 раза больше токенов. merge_kernel_size (`tuple[int, int]`, *необязательный*, по умолчанию `(2, 2)`) : Размер ядра `(h, w)` для слияния соседних визуальных патчей в Merger. merger_times (`int`, *необязательный*, по умолчанию 1) : Количество итеративных раундов слияния в Merger. Это класс конфигурации для хранения настроек модели MiniCPMV4_6Model. Он используется для создания модели Minicpmv4 6 в соответствии с указанными аргументами, определяя архитектуру модели. Создание конфигурации с параметрами по умолчанию даст конфигурацию, аналогичную конфигурации [openbmb/MiniCPM-V-4.6](https://huggingface.co/openbmb/MiniCPM-V-4.6) Объекты конфигурации наследуются от [PreTrainedConfig](/docs/transformers/v5.23.0/ru/main_classes/configuration#transformers.PreTrainedConfig) и могут использоваться для управления выводами модели. Подробнее см. в документации [PreTrainedConfig](/docs/transformers/v5.23.0/ru/main_classes/configuration#transformers.PreTrainedConfig). ## MiniCPMV4_6VisionConfig[[transformers.MiniCPMV4_6VisionConfig]] #### transformers.MiniCPMV4_6VisionConfig[[transformers.MiniCPMV4_6VisionConfig]] ```python transformers.MiniCPMV4_6VisionConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = 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: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, hidden_size: int = 768, intermediate_size: int = 3072, num_hidden_layers: int = 12, num_attention_heads: int = 12, num_channels: int = 3, image_size: int | list[int] | tuple[int, int] = 224, patch_size: int | list[int] | tuple[int, int] = 16, hidden_act: str = 'gelu_pytorch_tanh', layer_norm_eps: float = 1e-06, attention_dropout: float | int = 0.0, insert_layer_id: int = 6, window_kernel_size: tuple[int, int] | list[int] = (2, 2)) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/configuration_minicpmv4_6.py#L31) **Параметры:** hidden_size (`int`, *optional*, по умолчанию `768`) : Размерность скрытых представлений. intermediate_size (`int`, *optional*, по умолчанию `3072`) : Размерность представлений MLP. num_hidden_layers (`int`, *необязательный*, по умолчанию `12`) : Количество скрытых слоев в декодере Transformer. num_attention_heads (`int`, *необязательный*, по умолчанию `12`) : Количество головок внимания для каждого слоя внимания в декодере Transformer. num_channels (`int`, *необязательный*, по умолчанию `3`) : Количество входных каналов. image_size (`Union[int, list[int], tuple[int, int]]`, *необязательный*, по умолчанию `224`) : Размер (разрешение) каждого изображения. patch_size (`Union[int, list[int], tuple[int, int]]`, *необязательный*, по умолчанию `16`) : Размер (разрешение) каждого патча. hidden_act (`str`, *необязательный*, по умолчанию `gelu_pytorch_tanh`) : Нелинейная функция активации (функция или строка) в декодере. Например, `"gelu"`, `"relu"`, `"silu"` и т. д. layer_norm_eps (`float`, *необязательный*, по умолчанию `1e-06`) : Значение epsilon, используемое слоями нормализации. attention_dropout (`Union[float, int]`, *необязательный*, по умолчанию `0.0`) : Коэффициент dropout для вероятностей внимания. insert_layer_id (`int`, *optional*, по умолчанию 6) : Индекс слоя визуального энкодера, после которого применяется объединитель оконного внимания. window_kernel_size (`tuple[int, int]`, *необязательный*, по умолчанию `(2, 2)`) : Размер окна `(h, w)` для промежуточного слияния оконного внимания. Это класс конфигурации для хранения настроек модели MiniCPMV4_6Model. Он используется для создания модели Minicpmv4 6 в соответствии с указанными аргументами, определяя архитектуру модели. Создание конфигурации с параметрами по умолчанию даст конфигурацию, аналогичную конфигурации [openbmb/MiniCPM-V-4.6](https://huggingface.co/openbmb/MiniCPM-V-4.6) Объекты конфигурации наследуются от [PreTrainedConfig](/docs/transformers/v5.23.0/ru/main_classes/configuration#transformers.PreTrainedConfig) и могут использоваться для управления выводами модели. Подробнее см. в документации [PreTrainedConfig](/docs/transformers/v5.23.0/ru/main_classes/configuration#transformers.PreTrainedConfig). ## MiniCPMV4_6Model[[transformers.MiniCPMV4_6Model]] #### transformers.MiniCPMV4_6Model[[transformers.MiniCPMV4_6Model]] ```python transformers.MiniCPMV4_6Model(config: MiniCPMV4_6Config) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L593) **Параметры:** config ([MiniCPMV4_6Config](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)) : Класс конфигурации модели со всеми параметрами модели. Инициализация с файлом конфигурации не загружает веса, связанные с моделью, только конфигурацию. Используйте метод [from_pretrained()](/docs/transformers/v5.23.0/ru/main_classes/model#transformers.PreTrainedModel.from_pretrained) для загрузки весов модели. Модель MiniCPMV4_6, состоящая из визуального бэкбона и языковой модели, без головы для моделирования языка. Эта модель наследуется от [PreTrainedModel](/docs/transformers/v5.23.0/ru/main_classes/model#transformers.PreTrainedModel). Общие методы, которые библиотека реализует для всех своих моделей (например, загрузка или сохранение, изменение размера входных эмбеддингов, обрезка головок и т. д.), описаны в документации родительского класса. Эта модель также является подклассом [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) в PyTorch. Используйте её как обычный модуль PyTorch и обращайтесь к документации PyTorch по всем вопросам, связанным с общим использованием и поведением. #### forward[[transformers.MiniCPMV4_6Model.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, target_sizes: typing.Optional[torch.IntTensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, target_sizes_videos: typing.Optional[torch.IntTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: list[torch.Tensor] | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, downsample_mode: str | None = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L662) **Параметры:** input_ids (`torch.LongTensor` формы `(batch_size, sequence_length)`, *необязательно*) : Индексы токенов входной последовательности в словаре. По умолчанию заполнение (padding) игнорируется. Индексы можно получить с помощью [AutoTokenizer](/docs/transformers/v5.23.0/ru/model_doc/auto#transformers.AutoTokenizer). Подробности см. в [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/ru/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) и [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/ru/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__). [Что такое входные идентификаторы?](../glossary#input-ids) pixel_values (`torch.Tensor`, *необязательный*) : Пиксельные патчи для изображений, упакованные в формате NaViT. target_sizes (`torch.IntTensor`, *необязательный*) : Высота и ширина (в патчах) для каждого изображения. pixel_values_videos (`torch.Tensor`, *необязательный*) : Пиксельные патчи для кадров видео, упакованные в формате NaViT. target_sizes_videos (`torch.IntTensor`, *необязательный*) : Высота и ширина (в патчах) для каждого кадра видео. attention_mask (`torch.Tensor` формы `(batch_size, sequence_length)`, *необязательный*) : Маска для предотвращения применения внимания к индексам токенов отсечки. Значения маски выбираются из `[0, 1]`: - 1 для токенов, которые **не замаскированы**, - 0 для токенов, которые **замаскированы**. [Что такое маски внимания?](../glossary#attention-mask) position_ids (`torch.LongTensor` формы `(batch_size, sequence_length)`, *необязательно*) : Индексы позиций токенов каждого входного последовательности в позиционных эмбеддингах. Выбираются из диапазона `[0, config.n_positions - 1]`. [Что такое position IDs?](../glossary#position-ids) past_key_values (`list[torch.Tensor]`, *необязательный*) : Предварительно вычисленные скрытые состояния (ключи и значения в блоках само-внимания и кросс-внимания), которые можно использовать для ускорения последовательного декодирования. Обычно это `past_key_values`, возвращаемые моделью на предыдущем этапе декодирования, когда `use_cache=True` или `config.use_cache=True`. В качестве входных данных допускается только экземпляр [Cache](/docs/transformers/v5.23.0/ru/internal/generation_utils#transformers.Cache), см. наше [руководство по кэшу KV](https://huggingface.co/docs/transformers/en/kv_cache). Если `past_key_values` не переданы, по умолчанию будет инициализирован [DynamicCache](/docs/transformers/v5.23.0/ru/internal/generation_utils#transformers.DynamicCache). Модель будет выводить тот же формат кэша, который был передан на вход. Если используются `past_key_values`, ожидается, что пользователь передаст только необработанные `input_ids` (те, для которых не заданы их прошлые состояния ключей и значений в этой модели) с формой `(batch_size, unprocessed_length)` вместо всех `input_ids` с формой `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` формы `(batch_size, sequence_length, hidden_size)`, *необязательно*) : По желанию, вместо передачи `input_ids` можно напрямую передать встроенное представление. Это полезно, если требуется больший контроль над тем, как индексы `input_ids` преобразуются в соответствующие векторы, чем это обеспечивает внутренняя матрица поиска встраиваний модели. use_cache (`bool`, *необязательный*) : Если установлено в `True`, состояния ключей и значений `past_key_values` возвращаются и могут использоваться для ускорения декодирования (см. `past_key_values`). downsample_mode (`str`, *необязательный*) : `"4x"` сохраняет в 4 раза больше визуальных токенов; по умолчанию `"16x"` применяется полное слияние. mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *необязательный*) : Словарь, где ключами являются поддерживаемые модальности, а значениями — закодированные выходные данные для данной модальности. Каждый закодированный выход представляет собой кортеж, состоящий из (`pooler_output`, *необязательный*: `last_hidden_states`, *необязательный*: `hidden_states`, *необязательный*: `attentions`) `pooler_output` формы `(batch_size, sequence_length, hidden_size)`, *необязательный*) — это последовательность мультимодальных признаков энкодера, объединенных в текстовые эмбеддинги. **Возвращает:** [BaseModelOutputWithPast](/docs/transformers/v5.23.0/ru/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) или `tuple(torch.Tensor)` [BaseModelOutputWithPast](/docs/transformers/v5.23.0/ru/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) или кортеж `torch.Tensor` (если передано `return_dict=False` или если `config.return_dict=False`), содержащий различные элементы в зависимости от конфигурации ([MiniCPMV4_6Config](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)) и входных данных. Метод forward модели [MiniCPMV4_6Model](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Model) переопределяет специальный метод `__call__`. Хотя рецепт для прямого прохода должен быть определён внутри этой функции, после этого следует вызывать экземпляр `Module`, а не эту функцию, поскольку первый выполняет шаги предварительной и постобработки, тогда как второй молча их игнорирует. - **last_hidden_state** (`torch.Tensor` формы `(batch_size, sequence_length, hidden_size)`) -- Последовательность скрытых состояний на выходе последнего слоя модели. Если используется `past_key_values`, выводится только последнее скрытое состояние последовательностей формы `(batch_size, 1, hidden_size)`. - **past_key_values** (`Cache`, *необязательный*, возвращается при передаче `use_cache=True` или когда `config.use_cache=True`) -- это экземпляр [Cache](/docs/transformers/v5.23.0/ru/internal/generation_utils#transformers.Cache). Подробнее см. в нашем [руководстве по кэшированию kv](https://huggingface.co/docs/transformers/en/kv_cache). Содержит предварительно вычисленные скрытые состояния (ключи и значения в блоках само-внимания и, при необходимости, если `config.is_encoder_decoder=True`, в блоках кросс-внимания), которые можно использовать (см. входной параметр `past_key_values`) для ускорения последовательного декодирования. - **hidden_states** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_hidden_states=True` или когда `config.output_hidden_states=True`) -- Кортеж `torch.Tensor` (один для вывода слоя встраиваний, если модель имеет слой встраиваний, + один для вывода каждого слоя) формы `(batch_size, sequence_length, hidden_size)`. Скрытые состояния модели на выходе каждого слоя, а также необязательные выходные значения начального слоя встраивания. - **attentions** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_attentions=True` или при `config.output_attentions=True`) -- Кортеж `torch.Tensor` (по одному на каждый слой) формы `(batch_size, num_heads, sequence_length, sequence_length)`. Веса внимания после softmax в механизме внимания, используемые для вычисления взвешенного среднего в головах само-внимания. #### get_image_features[[transformers.MiniCPMV4_6Model.get_image_features]] ```python get_image_features(pixel_values: Tensor, target_sizes: IntTensor, downsample_mode: str | None = None, **kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L602) **Параметры:** pixel_values (`torch.Tensor` формы `(batch_size, num_channels, image_size, image_size)`) : Тензоры, соответствующие входным изображениям. Значения пикселей можно получить с помощью [MiniCPMV4_6ImageProcessor](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ImageProcessor). Подробности см. в [MiniCPMV4_6ImageProcessor.__call__()](/docs/transformers/v5.23.0/ru/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) ([MiniCPMV4_6Processor](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Processor) использует [MiniCPMV4_6ImageProcessor](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ImageProcessor) для обработки изображений). target_sizes (`torch.IntTensor` формы `(num_images, 2)`) : Высота и ширина (в патчах) каждого изображения. downsample_mode (`str`, *необязательный*) : При значении `"4x"` промежуточный `vit_merger` пропускается, благодаря чему каждое изображение сохраняет в `4×` больше визуальных токенов. По умолчанию используется режим `"16x"`, который применяет полный конвейер слияния. **Возвращает:** [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/ru/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) или `tuple(torch.Tensor)` Объект [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/ru/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) или кортеж `torch.Tensor` (если передано `return_dict=False` или если `config.return_dict=False`), содержащий различные элементы в зависимости от конфигурации ([MiniCPMV4_6Config](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)) и входных данных. Извлечение признаков изображения: визуальный энкодер, вставка мержера, затем MLP-мержер. - **last_hidden_state** (`torch.Tensor` формы `(batch_size, sequence_length, hidden_size)`) -- Последовательность скрытых состояний на выходе последнего слоя модели. - **pooler_output** (`torch.Tensor` формы `(batch_size, hidden_size)`) -- Скрытое состояние последнего слоя для первого токена последовательности (токен классификации) после дополнительной обработки слоями, используемыми для вспомогательной задачи предварительного обучения. Например, для моделей семейства BERT это возвращает токен классификации после обработки линейным слоем и функцией активации tanh. Веса линейного слоя обучаются по задаче предсказания следующего предложения (классификации) во время предварительного обучения. - **hidden_states** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_hidden_states=True` или когда `config.output_hidden_states=True`) -- Кортеж `torch.Tensor` (один для вывода слоя встраиваний, если модель имеет слой встраиваний, + один для вывода каждого слоя) формы `(batch_size, sequence_length, hidden_size)`. Скрытые состояния модели на выходе каждого слоя, а также необязательные выходные значения начального слоя встраивания. - **attentions** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_attentions=True` или при `config.output_attentions=True`) -- Кортеж `torch.Tensor` (по одному на каждый слой) формы `(batch_size, num_heads, sequence_length, sequence_length)`. Веса внимания после softmax в механизме внимания, используемые для вычисления взвешенного среднего в головах само-внимания. ## MiniCPMV4_6ForConditionalGeneration[[transformers.MiniCPMV4_6ForConditionalGeneration]] #### transformers.MiniCPMV4_6ForConditionalGeneration[[transformers.MiniCPMV4_6ForConditionalGeneration]] ```python transformers.MiniCPMV4_6ForConditionalGeneration(config: MiniCPMV4_6Config) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L779) **Параметры:** config ([MiniCPMV4_6Config](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)) : Класс конфигурации модели со всеми параметрами модели. Инициализация с файлом конфигурации не загружает веса, связанные с моделью, только конфигурацию. Используйте метод [from_pretrained()](/docs/transformers/v5.23.0/ru/main_classes/model#transformers.PreTrainedModel.from_pretrained) для загрузки весов модели. Модель Minicpmv4 6 для генерации токенов с условием на другие модальности (например, генерация текста из изображения и текста). Эта модель наследуется от [PreTrainedModel](/docs/transformers/v5.23.0/ru/main_classes/model#transformers.PreTrainedModel). Общие методы, которые библиотека реализует для всех своих моделей (например, загрузка или сохранение, изменение размера входных эмбеддингов, обрезка головок и т. д.), описаны в документации родительского класса. Эта модель также является подклассом [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) в PyTorch. Используйте её как обычный модуль PyTorch и обращайтесь к документации PyTorch по всем вопросам, связанным с общим использованием и поведением. #### forward[[transformers.MiniCPMV4_6ForConditionalGeneration.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, target_sizes: typing.Optional[torch.IntTensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, target_sizes_videos: typing.Optional[torch.IntTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: list[torch.Tensor] | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, downsample_mode: str | None = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L790) **Параметры:** input_ids (`torch.LongTensor` формы `(batch_size, sequence_length)`, *необязательно*) : Индексы токенов входной последовательности в словаре. По умолчанию заполнение (padding) игнорируется. Индексы можно получить с помощью [AutoTokenizer](/docs/transformers/v5.23.0/ru/model_doc/auto#transformers.AutoTokenizer). Подробности см. в [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/ru/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) и [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/ru/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__). [Что такое входные идентификаторы?](../glossary#input-ids) pixel_values (`torch.Tensor`, *необязательный*) : Пиксельные патчи для изображений, упакованные в формате NaViT. target_sizes (`torch.IntTensor`, *необязательный*) : Высота и ширина (в патчах) для каждого изображения. pixel_values_videos (`torch.Tensor`, *необязательный*) : Пиксельные патчи для кадров видео, упакованные в формате NaViT. target_sizes_videos (`torch.IntTensor`, *необязательный*) : Высота и ширина (в патчах) для каждого кадра видео. attention_mask (`torch.Tensor` формы `(batch_size, sequence_length)`, *необязательный*) : Маска для предотвращения применения внимания к индексам токенов отсечки. Значения маски выбираются из `[0, 1]`: - 1 для токенов, которые **не замаскированы**, - 0 для токенов, которые **замаскированы**. [Что такое маски внимания?](../glossary#attention-mask) position_ids (`torch.LongTensor` формы `(batch_size, sequence_length)`, *необязательно*) : Индексы позиций токенов каждого входного последовательности в позиционных эмбеддингах. Выбираются из диапазона `[0, config.n_positions - 1]`. [Что такое position IDs?](../glossary#position-ids) past_key_values (`list[torch.Tensor]`, *необязательный*) : Предварительно вычисленные скрытые состояния (ключи и значения в блоках само-внимания и кросс-внимания), которые можно использовать для ускорения последовательного декодирования. Обычно это `past_key_values`, возвращаемые моделью на предыдущем этапе декодирования, когда `use_cache=True` или `config.use_cache=True`. В качестве входных данных допускается только экземпляр [Cache](/docs/transformers/v5.23.0/ru/internal/generation_utils#transformers.Cache), см. наше [руководство по кэшу KV](https://huggingface.co/docs/transformers/en/kv_cache). Если `past_key_values` не переданы, по умолчанию будет инициализирован [DynamicCache](/docs/transformers/v5.23.0/ru/internal/generation_utils#transformers.DynamicCache). Модель будет выводить тот же формат кэша, который был передан на вход. Если используются `past_key_values`, ожидается, что пользователь передаст только необработанные `input_ids` (те, для которых не заданы их прошлые состояния ключей и значений в этой модели) с формой `(batch_size, unprocessed_length)` вместо всех `input_ids` с формой `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` формы `(batch_size, sequence_length, hidden_size)`, *необязательно*) : По желанию, вместо передачи `input_ids` можно напрямую передать встроенное представление. Это полезно, если требуется больший контроль над тем, как индексы `input_ids` преобразуются в соответствующие векторы, чем это обеспечивает внутренняя матрица поиска встраиваний модели. labels (`torch.LongTensor` формы `(batch_size, sequence_length)`, *необязательно*) : Метки для вычисления потерь маскированного языкового моделирования. Индексы должны находиться в диапазоне `[0, ..., config.vocab_size]` или равняться -100 (см. docstring `input_ids`). Токены с индексами, установленными в `-100`, игнорируются (маскируются); потери вычисляются только для токенов с метками в диапазоне `[0, ..., config.vocab_size]`. use_cache (`bool`, *необязательный*) : Если установлено в `True`, состояния ключей и значений `past_key_values` возвращаются и могут использоваться для ускорения декодирования (см. `past_key_values`). downsample_mode (`str`, *необязательный*) : `"4x"` сохраняет в 4 раза больше визуальных токенов; по умолчанию `"16x"` применяется полное слияние. mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *необязательный*) : Словарь, где ключами являются поддерживаемые модальности, а значениями — закодированные выходные данные для данной модальности. Каждый закодированный выход представляет собой кортеж, состоящий из (`pooler_output`, *необязательный*: `last_hidden_states`, *необязательный*: `hidden_states`, *необязательный*: `attentions`) `pooler_output` формы `(batch_size, sequence_length, hidden_size)`, *необязательный*) — это последовательность мультимодальных признаков энкодера, объединенных в текстовые эмбеддинги. **Возвращает:** [CausalLMOutputWithPast](/docs/transformers/v5.23.0/ru/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) или `tuple(torch.Tensor)` Объект [CausalLMOutputWithPast](/docs/transformers/v5.23.0/ru/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) или кортеж `torch.Tensor` (если передано `return_dict=False` или если `config.return_dict=False`), содержащий различные элементы в зависимости от конфигурации ([MiniCPMV4_6Config](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)) и входных данных. Метод forward класса [MiniCPMV4_6ForConditionalGeneration](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ForConditionalGeneration) переопределяет специальный метод `__call__`. Хотя рецепт для прямого прохода должен быть определён внутри этой функции, после этого следует вызывать экземпляр `Module`, а не эту функцию, поскольку первый выполняет шаги предварительной и постобработки, тогда как второй молча их игнорирует. - **loss** (`torch.Tensor` формы `(1,)`, *необязательный*, возвращается, если задан `labels`) -- Потеря языковой модели (для предсказания следующего токена). - **logits** (`torch.Tensor` формы `(batch_size, sequence_length, config.vocab_size)`) — Оценки предсказаний языковой модели (оценки для каждого токена словаря до применения SoftMax). - **past_key_values** (`Cache`, *необязательный*, возвращается при передаче `use_cache=True` или когда `config.use_cache=True`) -- это экземпляр [Cache](/docs/transformers/v5.23.0/ru/internal/generation_utils#transformers.Cache). Подробнее см. в нашем [руководстве по кэшированию kv](https://huggingface.co/docs/transformers/en/kv_cache). Содержит предварительно вычисленные скрытые состояния (ключи и значения в блоках само-внимания), которые можно использовать (см. вход `past_key_values`) для ускорения последовательного декодирования. - **hidden_states** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_hidden_states=True` или когда `config.output_hidden_states=True`) -- Кортеж `torch.Tensor` (один для вывода слоя встраиваний, если модель имеет слой встраиваний, + один для вывода каждого слоя) формы `(batch_size, sequence_length, hidden_size)`. Скрытые состояния модели на выходе каждого слоя, а также необязательные выходные значения начального слоя встраивания. - **attentions** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_attentions=True` или при `config.output_attentions=True`) -- Кортеж `torch.Tensor` (по одному на каждый слой) формы `(batch_size, num_heads, sequence_length, sequence_length)`. Веса внимания после softmax в механизме внимания, используемые для вычисления взвешенного среднего в головах само-внимания. Пример: ```python >>> from PIL import Image >>> from transformers import AutoProcessor, MiniCPMV4_6ForConditionalGeneration >>> model = MiniCPMV4_6ForConditionalGeneration.from_pretrained("openbmb/MiniCPM-V-4.6") >>> processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-V-4.6") >>> messages = [ ... { ... "role": "user", "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "Where is the cat standing?"}, ... ] ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... add_generation_prompt=True ... ) >>> # Generate >>> generate_ids = model.generate(**inputs) >>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0] ``` #### get_image_features[[transformers.MiniCPMV4_6ForConditionalGeneration.get_image_features]] ```python get_image_features(*args, **kwargs) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L854) **Возвращает:** [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/ru/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) или `tuple(torch.Tensor)` Объект [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/ru/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) или кортеж `torch.Tensor` (если передано `return_dict=False` или если `config.return_dict=False`), содержащий различные элементы в зависимости от конфигурации ([MiniCPMV4_6Config](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)) и входных данных. Извлечение признаков изображения: визуальный энкодер, вставка мержера, затем MLP-мержер. - **last_hidden_state** (`torch.Tensor` формы `(batch_size, sequence_length, hidden_size)`) -- Последовательность скрытых состояний на выходе последнего слоя модели. - **pooler_output** (`torch.Tensor` формы `(batch_size, hidden_size)`) -- Скрытое состояние последнего слоя для первого токена последовательности (токен классификации) после дополнительной обработки слоями, используемыми для вспомогательной задачи предварительного обучения. Например, для моделей семейства BERT это возвращает токен классификации после обработки линейным слоем и функцией активации tanh. Веса линейного слоя обучаются по задаче предсказания следующего предложения (классификации) во время предварительного обучения. - **hidden_states** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_hidden_states=True` или когда `config.output_hidden_states=True`) -- Кортеж `torch.Tensor` (один для вывода слоя встраиваний, если модель имеет слой встраиваний, + один для вывода каждого слоя) формы `(batch_size, sequence_length, hidden_size)`. Скрытые состояния модели на выходе каждого слоя, а также необязательные выходные значения начального слоя встраивания. - **attentions** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_attentions=True` или при `config.output_attentions=True`) -- Кортеж `torch.Tensor` (по одному на каждый слой) формы `(batch_size, num_heads, sequence_length, sequence_length)`. Веса внимания после softmax в механизме внимания, используемые для вычисления взвешенного среднего в головах само-внимания. Пример: ```python >>> from PIL import Image >>> from transformers import AutoProcessor, MiniCPMV4_6ForConditionalGeneration >>> model = MiniCPMV4_6ForConditionalGeneration.from_pretrained("openbmb/MiniCPM-V-4.6") >>> processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-V-4.6") >>> messages = [ ... { ... "role": "user", "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "Where is the cat standing?"}, ... ] ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... add_generation_prompt=True ... ) >>> # Generate >>> generate_ids = model.generate(**inputs) >>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0] ``` ## MiniCPMV4_6Processor[[transformers.MiniCPMV4_6Processor]] #### transformers.MiniCPMV4_6Processor[[transformers.MiniCPMV4_6Processor]] ```python transformers.MiniCPMV4_6Processor(image_processor = None, video_processor = None, tokenizer = None, chat_template = None, **kwargs) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/processing_minicpmv4_6.py#L38) **Параметры:** image_processor (`MiniCPMV4_6ImageProcessor`) : процессор изображений является обязательным входным параметром. video_processor (`MiniCPMV4_6VideoProcessor`) : процессор видео является обязательным входным параметром. tokenizer (`TokenizersBackend`) : Токенизатор является обязательным входным параметром. chat_template (`str`) : Шаблон Jinja для преобразования списков сообщений в чате в строку, готовую к токенизации. Создаёт MiniCPMV4_6Processor, который объединяет процессор изображений, процессор видео и токенизатор в единый процессор. [MiniCPMV4_6Processor](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Processor) предоставляет все возможности [MiniCPMV4_6ImageProcessor](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ImageProcessor), [MiniCPMV4_6VideoProcessor](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6VideoProcessor) и [TokenizersBackend](/docs/transformers/v5.23.0/ru/main_classes/tokenizer#transformers.TokenizersBackend). Подробнее см. в [~MiniCPMV4_6ImageProcessor](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ImageProcessor), [~MiniCPMV4_6VideoProcessor](/docs/transformers/v5.23.0/ru/model_doc/minicpmv4_6#transformers.MiniCPMV4_6VideoProcessor) и [~TokenizersBackend](/docs/transformers/v5.23.0/ru/main_classes/tokenizer#transformers.TokenizersBackend). #### __call__[[transformers.MiniCPMV4_6Processor.__call__]] ```python __call__(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = None, text: str | list[str] | list[list[str]] | None = None, videos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]], NoneType] = None, **kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/processing_minicpmv4_6.py#L74) **Параметры:** images (*Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]*, *optional*) : Изображение для предварительной обработки. Ожидается одно изображение или пакет изображений со значениями пикселей в диапазоне от 0 до 255. Если передаются изображения со значениями пикселей в диапазоне от 0 до 1, установите *do_rescale=False*. text (*Union[str, list[str], list[list[str]]]*, *optional*) : The sequence or batch of sequences to be encoded. Each sequence can be a string or a list of strings (pretokenized string). If you pass a pretokenized input, set *is_split_into_words=True* to avoid ambiguity with batched inputs. videos (*Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]]*, *optional*) : Видео для предобработки. Ожидается одно видео или батч видео со значениями пикселей в диапазоне от 0 до 255. Если передаются видео со значениями пикселей от 0 до 1, установите *do_rescale=False*. return_mm_token_type_ids (*bool*, *kwargs*) : Нужно ли возвращать идентификаторы типов мультимодальных токенов, указывающие на позиции мультимодальных плейсхолдер-токенов. return_text_replacement_offsets (*bool*, *kwargs*) : Возвращать ли смещения символов для каждого мультимодального плейсхолдера и его замены. use_image_id (*bool*, *kwargs*, *optional*) : Нужно ли добавлять тег image-id (`N`) перед каждым плейсхолдером изображения. Если не задано, по умолчанию используется *use_image_id* процессора изображений. return_tensors (*str* или [*~utils.TensorType*], *optional*) : Если задано, возвращает тензоры конкретного фреймворка. Допустимые значения: - *'pt'*: возвращает объекты *torch.Tensor* PyTorch. - *'np'*: возвращает объекты *np.ndarray* NumPy. - ****kwargs** ([*ProcessingKwargs*], *optional*) : Дополнительные параметры обработки для каждой модальности (текст, изображения, видео, аудио). Специфичные для модели параметры перечислены выше; полный список поддерживаемых аргументов см. в классе TypedDict. ## MiniCPMV4_6ImageProcessor[[transformers.MiniCPMV4_6ImageProcessor]] #### transformers.MiniCPMV4_6ImageProcessor[[transformers.MiniCPMV4_6ImageProcessor]] ```python transformers.MiniCPMV4_6ImageProcessor(**kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/image_processing_minicpmv4_6.py#L68) **Параметры:** do_convert_rgb (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Преобразовать ли изображение в RGB. do_resize (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Указывает, следует ли изменять размер изображения. size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Описывает максимальные размеры входных данных для модели. default_to_square (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Использовать ли квадратное изображение по умолчанию при изменении размера, если size является int. crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Размер выходного изображения после применения *center_crop*. resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*, по умолчанию *3*) : Фильтр ресемплинга, используемый при изменении размера изображения. Может быть одним из значений перечисления *PILImageResampling*. Влияет только в том случае, если *do_resize* установлено в *True*. do_rescale (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Нужно ли масштабировать изображение. rescale_factor (*float*, *kwargs*, *optional*, по умолчанию *0.00392156862745098*) : Коэффициент масштабирования, применяемый к изображению, если *do_rescale* установлен в *True*. do_normalize (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Нужно ли нормализовать изображение. image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*, по умолчанию *[0.5, 0.5, 0.5]*) : Среднее значение изображения, используемое для нормализации. Влияет только в том случае, если *do_normalize* установлено в *True*. image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*, по умолчанию *[0.5, 0.5, 0.5]*) : Стандартное отклонение изображения, используемое для нормализации. Влияет только в том случае, если *do_normalize* установлено в *True*. do_pad (*bool*, *kwargs*, *optional*) : Указывает, следует ли дополнять изображение. Дополнение выполняется либо до максимального размера в батче, либо до фиксированного квадратного размера для каждого изображения. Точная стратегия дополнения зависит от модели. pad_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Размер в формате *{"height": int, "width" int}*, до которого следует дополнить изображения. Должен быть больше любого размера изображения, переданного для предобработки. Если *pad_size* не указан, изображения будут дополнены до наибольшей высоты и ширины в батче. Применяется только при *do_pad=True.* do_center_crop (*bool*, *kwargs*, *optional*) : Нужно ли выполнять центрированный кроп изображения. data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : Поддерживается только *ChannelDimension.FIRST*. Добавлено для совместимости с медленными процессорами. input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : Формат размерности каналов для входного изображения. Если не задано, формат размерности каналов выводится из входного изображения. Может быть одним из: - *"channels_first"* или *ChannelDimension.FIRST*: изображение в формате (num_channels, height, width). - *"channels_last"* или *ChannelDimension.LAST*: изображение в формате (height, width, num_channels). - *"none"* или *ChannelDimension.NONE*: изображение в формате (height, width). device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : Устройство для обработки видео. Если не задано, устройство определяется на основе входных видео. return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : Возвращает стопку тензоров, если установлено значение *'pt'*, иначе возвращает список тензоров. disable_grouping (*bool*, *kwargs*, *optional*) : Определяет, следует ли отключить группировку изображений по размеру для их индивидуальной обработки, а не пачками. Если значение равно None, оно будет установлено в True, если изображения находятся на CPU, и в False в противном случае. Этот выбор основан на эмпирических наблюдениях, подробно описанных здесь: https://github.com/huggingface/transformers/pull/38157 image_seq_length (*int*, *kwargs*, *optional*) : Количество токенов изображения, используемых для каждого изображения во входных данных. Добавлено для обратной совместимости, но в будущих моделях это значение следует задавать как атрибут процессора. max_slice_nums (*int*, *kwargs*, *optional*, по умолчанию 9) : Максимальное количество срезов при разбиении изображения высокого разрешения. scale_resolution (*int*, *kwargs*, *optional*, по умолчанию 448) : Целевое разрешение для отдельных срезов. patch_size (*int*, *kwargs*, *optional*, по умолчанию 14) : Размер пространственного патча визуального энкодера. slice_mode (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Разбивать ли изображения на несколько срезов для более высокого разрешения. downsample_mode (*str*, *kwargs*, *optional*, по умолчанию *"16x"*) : Режим понижения разрешения визуальных токенов. *"16x"* применяет полное слияние; *"4x"* сохраняет в 4 раза больше токенов. use_image_id (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Нужно ли добавлять тег image-id (`N`) перед каждым плейсхолдером изображения. Используется Processor для генерации плейсхолдеров, а не самим конвейером обработки изображений. Создаёт процессор изображений MiniCPMV4_6ImageProcessor. #### preprocess[[transformers.MiniCPMV4_6ImageProcessor.preprocess]] ```python preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], **kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/image_processing_minicpmv4_6.py#L174) **Параметры:** images (*Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]*) : Изображение для предобработки. Ожидается одно изображение или батч изображений со значениями пикселей в диапазоне от 0 до 255. Если передаются изображения со значениями пикселей в диапазоне от 0 до 1, установите *do_rescale=False*. do_convert_rgb (*bool*, *kwargs*, *optional*) : Преобразовать ли изображение в RGB. do_resize (*bool*, *kwargs*, *optional*) : Указывает, следует ли изменять размер изображения. size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Описывает максимальные размеры входных данных для модели. default_to_square (*bool*, *kwargs*, *optional*) : Использовать ли квадратное изображение по умолчанию при изменении размера, если size является int. crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Размер выходного изображения после применения *center_crop*. resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*) : Фильтр ресемплинга, используемый при изменении размера изображения. Может быть одним из значений перечисления *PILImageResampling*. Действует только если *do_resize* установлено в *True*. do_rescale (*bool*, *kwargs*, *optional*) : Нужно ли масштабировать изображение. rescale_factor (*float*, *kwargs*, *optional*) : Коэффициент масштабирования для изменения размера изображения, если *do_rescale* установлен в *True*. do_normalize (*bool*, *kwargs*, *optional*) : Нужно ли нормализовать изображение. image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*) : Среднее значение изображения, используемое для нормализации. Влияет только в том случае, если *do_normalize* установлено в *True*. image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*) : Стандартное отклонение изображения, используемое для нормализации. Влияет только в том случае, если *do_normalize* установлено в *True*. do_pad (*bool*, *kwargs*, *optional*) : Указывает, следует ли дополнять изображение. Дополнение выполняется либо до максимального размера в батче, либо до фиксированного квадратного размера для каждого изображения. Точная стратегия дополнения зависит от модели. pad_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Размер в формате *{"height": int, "width" int}*, до которого следует дополнить изображения. Должен быть больше любого размера изображения, переданного для предобработки. Если *pad_size* не указан, изображения будут дополнены до наибольшей высоты и ширины в батче. Применяется только при *do_pad=True.* do_center_crop (*bool*, *kwargs*, *optional*) : Нужно ли выполнять центрированный кроп изображения. data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : Поддерживается только *ChannelDimension.FIRST*. Добавлено для совместимости с медленными процессорами. input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : Формат размерности каналов для входного изображения. Если не задано, формат размерности каналов выводится из входного изображения. Может быть одним из: - *"channels_first"* или *ChannelDimension.FIRST*: изображение в формате (num_channels, height, width). - *"channels_last"* или *ChannelDimension.LAST*: изображение в формате (height, width, num_channels). - *"none"* или *ChannelDimension.NONE*: изображение в формате (height, width). device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : Устройство для обработки видео. Если не задано, устройство определяется на основе входных видео. return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : Возвращает стопку тензоров, если установлено значение *'pt'*, иначе возвращает список тензоров. disable_grouping (*bool*, *kwargs*, *optional*) : Определяет, следует ли отключить группировку изображений по размеру для их индивидуальной обработки, а не пачками. Если значение равно None, оно будет установлено в True, если изображения находятся на CPU, и в False в противном случае. Этот выбор основан на эмпирических наблюдениях, подробно описанных здесь: https://github.com/huggingface/transformers/pull/38157 image_seq_length (*int*, *kwargs*, *optional*) : Количество токенов изображения, используемых для каждого изображения во входных данных. Добавлено для обратной совместимости, но в будущих моделях это значение следует задавать как атрибут процессора. max_slice_nums (*int*, *kwargs*, *optional*, по умолчанию 9) : Максимальное количество срезов при разбиении изображения высокого разрешения. scale_resolution (*int*, *kwargs*, *optional*, по умолчанию 448) : Целевое разрешение для отдельных срезов. patch_size (*int*, *kwargs*, *optional*, по умолчанию 14) : Размер пространственного патча визуального энкодера. slice_mode (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Разбивать ли изображения на несколько срезов для более высокого разрешения. downsample_mode (*str*, *kwargs*, *optional*, по умолчанию *"16x"*) : Режим понижения разрешения визуальных токенов. *"16x"* применяет полное слияние; *"4x"* сохраняет в 4 раза больше токенов. use_image_id (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Нужно ли добавлять тег image-id (`N`) перед каждым плейсхолдером изображения. Используется Processor для генерации плейсхолдеров, а не самим конвейером обработки изображений. **Возвращает:** `*~image_processing_base.BatchFeature*` - **data** (*dict*) -- Словарь списков/массивов/тензоров, возвращаемый методом __call__ ('pixel_values' и т. д.). - **tensor_type** (*Union[None, str, TensorType]*, *optional*) -- Здесь можно указать tensor_type, чтобы при инициализации преобразовать списки целых чисел в тензоры PyTorch/Numpy. ## MiniCPMV4_6ImageProcessorPil[[transformers.MiniCPMV4_6ImageProcessorPil]] #### transformers.MiniCPMV4_6ImageProcessorPil[[transformers.MiniCPMV4_6ImageProcessorPil]] ```python transformers.MiniCPMV4_6ImageProcessorPil(**kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/image_processing_pil_minicpmv4_6.py#L69) **Параметры:** - ****kwargs** (`MiniCPMV4_6ImageProcessorPilKwargs`, *optional*) : Дополнительные параметры предобработки изображений. Специфичные для модели kwargs перечислены выше; полный список поддерживаемых аргументов см. в классе TypedDict. Создаёт процессор изображений MiniCPMV4_6ImageProcessor. #### preprocess[[transformers.MiniCPMV4_6ImageProcessorPil.preprocess]] ```python preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], **kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/image_processing_pil_minicpmv4_6.py#L173) **Параметры:** images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`) : Изображение для предобработки. Ожидается одно изображение или пакет изображений со значениями пикселей в диапазоне от 0 до 255. Если передаются изображения со значениями пикселей в диапазоне от 0 до 1, установите `do_rescale=False`. return_tensors (`str` или [TensorType](/docs/transformers/v5.23.0/ru/internal/file_utils#transformers.TensorType), *optional*) : Возвращает стопку тензоров, если установлено значение `'pt'`, иначе возвращает список тензоров. - ****kwargs** (`MiniCPMV4_6ImageProcessorPilKwargs`, *optional*) : Дополнительные параметры предобработки изображений. Специфичные для модели kwargs перечислены выше; полный список поддерживаемых аргументов см. в классе TypedDict. **Возвращает:** `~image_processing_base.BatchFeature` - **data** (`dict`) — Словарь списков/массивов/тензоров, возвращаемый методом __call__ ('pixel_values' и т. д.). - **tensor_type** (`Union[None, str, TensorType]`, *необязательный*) -- Здесь можно указать tensor_type, чтобы при инициализации преобразовать списки целых чисел в тензоры PyTorch/Numpy. ## MiniCPMV4_6VideoProcessor[[transformers.MiniCPMV4_6VideoProcessor]] #### transformers.MiniCPMV4_6VideoProcessor[[transformers.MiniCPMV4_6VideoProcessor]] ```python transformers.MiniCPMV4_6VideoProcessor(**kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/video_processing_minicpmv4_6.py#L84) **Параметры:** do_convert_rgb (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Преобразовать ли изображение в RGB. do_resize (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Указывает, следует ли изменять размер изображения. size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Описывает максимальные размеры входных данных для модели. default_to_square (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Использовать ли квадратное изображение по умолчанию при изменении размера, если size является int. resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*, по умолчанию *3*) : Фильтр ресемплинга, используемый при изменении размера изображения. Может быть одним из значений перечисления *PILImageResampling*. Влияет только в том случае, если *do_resize* установлено в *True*. do_rescale (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Нужно ли масштабировать изображение. rescale_factor (*float*, *kwargs*, *optional*, по умолчанию *0.00392156862745098*) : Коэффициент масштабирования, применяемый к изображению, если *do_rescale* установлен в *True*. do_normalize (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Нужно ли нормализовать изображение. image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*, по умолчанию *[0.5, 0.5, 0.5]*) : Среднее значение изображения, используемое для нормализации. Влияет только в том случае, если *do_normalize* установлено в *True*. image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*, по умолчанию *[0.5, 0.5, 0.5]*) : Стандартное отклонение изображения, используемое для нормализации. Влияет только в том случае, если *do_normalize* установлено в *True*. do_center_crop (*bool*, *kwargs*, *optional*) : Нужно ли выполнять центрированный кроп изображения. do_pad (*bool*, *kwargs*, *optional*) : Указывает, следует ли дополнять изображение. Дополнение выполняется либо до максимального размера в батче, либо до фиксированного квадратного размера для каждого изображения. Точная стратегия дополнения зависит от модели. crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Размер выходного изображения после применения *center_crop*. data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : Поддерживается только *ChannelDimension.FIRST*. Добавлено для совместимости с медленными процессорами. input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : Формат размерности каналов для входного изображения. Если не задано, формат размерности каналов выводится из входного изображения. Может быть одним из: - *"channels_first"* или *ChannelDimension.FIRST*: изображение в формате (num_channels, height, width). - *"channels_last"* или *ChannelDimension.LAST*: изображение в формате (height, width, num_channels). - *"none"* или *ChannelDimension.NONE*: изображение в формате (height, width). device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : Устройство для обработки видео. Если не задано, устройство определяется на основе входных видео. do_sample_frames (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Нужно ли выбирать кадры из видео перед обработкой или обрабатывать всё видео целиком. video_metadata (*Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]*, *kwargs*) : Метаданные видео, содержащие информацию о общей длительности, частоте кадров (fps) и общем количестве кадров. Будут использоваться для выборки кадров из видео или вычисления временных меток. Не передавайте метаданные, если не пытаетесь декодировать видео вручную перед обработкой fps (*Annotated[int | float | None, None]*, *kwargs*) : Целевое количество кадров для выборки в секунду при *do_sample_frames=True*. num_frames (*Annotated[int | None, None]*, *kwargs*) : Максимальное количество кадров для выборки при *do_sample_frames=True*. return_metadata (*bool*, *kwargs*, *optional*, по умолчанию *False*) : Возвращать ли метаданные видео. Метаданные видео — это объект, содержащий информацию о длительности видео, частоте кадров, бэкенде декодирования и т. д. return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : Если задано, возвращает тензоры конкретного фреймворка. Допустимые значения: - *'pt'*: возвращает объекты *torch.Tensor* PyTorch. - *'np'*: возвращает объекты *np.ndarray* NumPy. max_num_frames (*int*, *kwargs*, *optional*, по умолчанию 128) : Максимальное количество основных кадров, выбираемых из каждого видео. stack_frames (*int*, *kwargs*, *optional*, по умолчанию 1) : Количество подкадров в секунду для стекирования. `1` отключает стекирование. max_slice_nums (*int*, *kwargs*, *optional*, по умолчанию 9) : Максимальное количество срезов при разбиении изображения высокого разрешения. scale_resolution (*int*, *kwargs*, *optional*, по умолчанию 448) : Целевое разрешение для отдельных срезов. patch_size (*int*, *kwargs*, *optional*, по умолчанию 14) : Размер пространственного патча визуального энкодера. slice_mode (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Разбивать ли изображения на несколько срезов для более высокого разрешения. downsample_mode (*str*, *kwargs*, *optional*, по умолчанию *"16x"*) : Режим понижения разрешения визуальных токенов. *"16x"* применяет полное слияние; *"4x"* сохраняет в 4 раза больше токенов. use_image_id (*bool*, *kwargs*, *optional*, по умолчанию *True*) : Нужно ли добавлять тег image-id (`N`) перед каждым плейсхолдером изображения. Используется Processor для генерации плейсхолдеров, а не самим конвейером обработки изображений. - ****kwargs** ([*ProcessingKwargs*], *optional*) : Дополнительные параметры обработки для каждой модальности (текст, изображения, видео, аудио). Специфичные для модели параметры перечислены выше; полный список поддерживаемых аргументов см. в классе TypedDict. Создаёт процессор видео MiniCPMV4_6VideoProcessor. #### preprocess[[transformers.MiniCPMV4_6VideoProcessor.preprocess]] ```python preprocess(videos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]]], **kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/video_processing_minicpmv4_6.py#L299) **Параметры:** videos (`Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]]`) : Видео для предобработки. Ожидается одно видео или батч видео со значениями пикселей в диапазоне от 0 до 255. Если передаются видео со значениями пикселей от 0 до 1, установите `do_rescale=False`. do_convert_rgb (`bool`, *kwargs*, *необязательный*) : Преобразовать ли изображение в RGB. do_resize (`bool`, *kwargs*, *необязательный*) : Указывает, нужно ли изменить размер изображения. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Описывает максимальные размеры входных данных для модели. default_to_square (`bool`, *kwargs*, *необязательный*) : Указывает, следует ли по умолчанию использовать квадратное изображение при изменении размера, если size задан как int. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Фильтр ресемплинга, используемый при изменении размера изображения. Может быть одним из значений перечисления `PILImageResampling`. Действует только при установке `do_resize` в `True`. do_rescale (`bool`, *kwargs*, *необязательный*) : Нужно ли масштабировать изображение. rescale_factor (`float`, *kwargs*, *optional*) : Коэффициент масштабирования для изменения размера изображения, если `do_rescale` установлен в `True`. do_normalize (`bool`, *kwargs*, *необязательный*) : Нужно ли нормализовать изображение. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : Среднее значение изображения, используемое для нормализации. Влияет только в том случае, если `do_normalize` установлено в `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : Стандартное отклонение изображения, используемое для нормализации. Влияет только в том случае, если `do_normalize` установлено в `True`. do_center_crop (`bool`, *kwargs*, *optional*) : Центрировать ли изображение при обрезке. do_pad (`bool`, *kwargs*, *необязательный*) : Указывает, нужно ли выравнивать изображение. Выравнивание выполняется либо до максимального размера в батче, либо до фиксированного квадратного размера для каждого изображения. Конкретная стратегия выравнивания зависит от модели. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Размер выходного изображения после применения `center_crop`. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *необязательный*) : Поддерживается только `ChannelDimension.FIRST`. Добавлено для совместимости с медленными процессорами. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : Формат размерности каналов для входного изображения. Если не задано, формат размерности каналов определяется по входному изображению. Может быть одним из: - `"channels_first"` или `ChannelDimension.FIRST`: изображение в формате (num_channels, height, width). - `"channels_last"` или `ChannelDimension.LAST`: изображение в формате (height, width, num_channels). - `"none"` или `ChannelDimension.NONE`: изображение в формате (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Устройство для обработки видео. Если не задано, устройство определяется на основе входных видео. do_sample_frames (`bool`, *kwargs*, *optional*) : Нужно ли выбирать кадры из видео перед обработкой или обрабатывать всё видео целиком. video_metadata (`Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]`, *kwargs*) : Метаданные видео, содержащие информацию о общей длительности, fps и общем количестве кадров. Будут использоваться для выборки кадров из видео или вычисления временных меток. Не передавайте метаданные, если вы не пытаетесь декодировать видео вручную перед обработкой fps (`Annotated[int | float | None, None]`, *kwargs*) : Целевое количество кадров для выборки в секунду при `do_sample_frames=True`. num_frames (`Annotated[int | None, None]`, *kwargs*) : Максимальное количество кадров для выборки при `do_sample_frames=True`. return_metadata (`bool`, *kwargs*, *optional*) : Нужно ли возвращать метаданные видео. Метаданные видео — это объект, содержащий информацию о длительности видео, частоте кадров, бэкенде декодирования и т. д. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Возвращает стопку тензоров, если установлено значение `'pt'`, иначе возвращает список тензоров. **Возвращает:** `~image_processing_base.BatchFeature` - **data** (`dict`) — Словарь списков/массивов/тензоров, возвращаемый методом __call__ ('pixel_values' и т. д.). - **tensor_type** (`Union[None, str, TensorType]`, *необязательный*) -- Здесь можно указать tensor_type, чтобы при инициализации преобразовать списки целых чисел в тензоры PyTorch/Numpy.