# Muse Spark Open ## Resumen Muse Spark Open es un modelo multimodal de mezcla de expertos (MoE) desarrollado por Meta que acepta texto, imágenes, audio y vídeo como entrada y genera texto. Tiene 816 mil millones de parámetros en total, con 42 mil millones activos por token, y admite una ventana de contexto de hasta 1.048.576 tokens compartidos entre todas las modalidades de entrada. El modelo está entrenado para tareas de codificación agéntica, que incluyen la edición de código en varios archivos, la depuración y el uso de herramientas. El esqueleto de lenguaje consta de 62 capas de transformer, cada una enruta los tokens a 8 de 256 expertos. Utiliza atención de consulta agrupada con normalización de consulta-clave, puerta y normalización de la salida de la atención, y puertas residuales aprendidas. Un codificador de percepción compartido procesa imágenes y fotogramas de video, mientras que un codificador de audio convolucional produce representaciones de audio a 12,5 tokens por segundo. Muse Spark Open comparte su tokenizador y vocabulario con [Muse Glimmer](./muse_glimmer), con extensiones a la plantilla de chat para entradas multimodales. Los puntos de control están disponibles en BF16 y [formatos NVFP4](#nvfp4-weights). ## Recursos - [colección de Hugging Face](https://huggingface.co/collections/meta-models/muse-spark-open) - [Blog de Hugging Face](http://hf.co/blog/meta-muse-spark-open) - [Entrenamiento posterior con TRL](https://github.com/huggingface/trl/tree/main/examples/sft_muse_spark_open) ```python import os from transformers import AutoModelForMultimodalLM, AutoProcessor, DistributedConfig distributed_config = DistributedConfig( tp_size=int(os.environ["WORLD_SIZE"]), # Number of devices across which the dense layers are sharded ep_size=int(os.environ["WORLD_SIZE"]), # Number of devices across which the experts are distributed ) processor = AutoProcessor.from_pretrained("meta-models/Muse-Spark-Open-816B-A42B") model = AutoModelForMultimodalLM.from_pretrained( "meta-models/Muse-Spark-Open-816B-A42B", distributed_config=distributed_config, ) messages = [ {"role": "user", "content": "Explain in one sentence why the sky is usually blue."}, ] inputs = processor.apply_chat_template( messages, reasoning_effort="low", # default: xhigh, options: low/medium/high/xhigh add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device).to(model.dtype) input_len = inputs["input_ids"].shape[-1] outputs = model.generate(**inputs, max_new_tokens=512) print(processor.decode(outputs[0][input_len:], skip_special_tokens=False)) # to=self<|message|>Explain in one sentence why the sky is usually blue. # ... # <|eom|><|start|>assistant to=user<|message|>The sky is usually blue because molecules in Earth's atmosphere scatter shorter-wavelength blue sunlight in all directions much more strongly than longer-wavelength red light.<|eot|> ``` ```python import os from transformers import AutoModelForMultimodalLM, AutoProcessor, DistributedConfig distributed_config = DistributedConfig( tp_size=int(os.environ["WORLD_SIZE"]), ep_size=int(os.environ["WORLD_SIZE"]), ) processor = AutoProcessor.from_pretrained("meta-models/Muse-Spark-Open-816B-A42B") model = AutoModelForMultimodalLM.from_pretrained( "meta-models/Muse-Spark-Open-816B-A42B", distributed_config=distributed_config, ) messages = [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, {"type": "text", "text": "What is shown in this image?"}, ], }, ] inputs = processor.apply_chat_template( messages, reasoning_effort="medium", # default: xhigh, options: low/medium/high/xhigh add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device).to(model.dtype) input_len = inputs["input_ids"].shape[-1] outputs = model.generate(**inputs, max_new_tokens=512) response = processor.decode(outputs[0][input_len:], skip_special_tokens=False) print(response) # to=self<|message|>What is shown in this image? # ... # <|eom|><|start|>assistant to=user<|message|>The image shows a **Pallas's cat — also known as a manul, *Otocolobus manul*** — walking through snow. # # It is a small, stocky wild cat recognizable by: # # * **Its extremely dense, long, greyish-brown winter coat** with faint dark stripes and a dusting of snow on its back # * **Its flat, broad face** with low-set ears, a short muzzle, and dark stripes on the cheeks # * **Its short legs and thick, plump body** adapted for cold climates # # The cat is captured mid-stride on a snow-covered surface, with one front paw lifted. In the background are white birch tree trunks with black markings and a chain-link fence on the left, indicating the animal is in a zoo or wildlife enclosure in winter.<|eot|> ``` ```python import os from transformers import AutoModelForMultimodalLM, AutoProcessor, DistributedConfig distributed_config = DistributedConfig( tp_size=int(os.environ["WORLD_SIZE"]), ep_size=int(os.environ["WORLD_SIZE"]), ) processor = AutoProcessor.from_pretrained("meta-models/Muse-Spark-Open-816B-A42B") model = AutoModelForMultimodalLM.from_pretrained( "meta-models/Muse-Spark-Open-816B-A42B", distributed_config=distributed_config, ) messages = [ { "role": "user", "content": [ {"type": "video", "url": "https://huggingface.co/datasets/hf-internal-testing/fixtures_videos/resolve/main/tennis.mp4"}, {"type": "text", "text": "What is happening in this video?"}, ], }, ] inputs = processor.apply_chat_template( messages, reasoning_effort="medium", # default: xhigh, options: low/medium/high/xhigh processor_kwargs={ "fps": 2, # default: 2, number of frames sampled per second "num_frames": 8, # default: 94, maximum number of frames sampled from the video }, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device).to(model.dtype) input_len = inputs["input_ids"].shape[-1] outputs = model.generate(**inputs, max_new_tokens=512) print(processor.decode(outputs[0][input_len:], skip_special_tokens=False)) # to=self<|message|>What is happening in this video? # ... # <|eom|><|start|>assistant to=user<|message|>In this video two people are playing tennis on an indoor court. # # The shot is taken from behind one of the players - a man in a white t-shirt, black shorts and white shoes and socks. He is standing near the baseline on an orange hard court with white lines, in a ready position with his knees bent and his racket held in front of him. # # Across the net, on the far side of the court, is his opponent, also dressed in light-colored clothing. # # The sequence shows a short rally: # # * The opponent hits the ball over the net. # * The man in the foreground shuffles to his left, turns his body, and prepares for a shot. # * He executes a two-handed backhand, swinging the racket across his body and following through as he hits the ball back over the net. # # The setting is a large indoor tennis hall with a high, arched ceiling with exposed wooden beams and overhead fluorescent lights. The court is surrounded by a grey run-off area, green windscreening on the walls, and netting that separates it from adjacent courts. On the right side you can see an umpire's chair and a few yellow and black benches. An "Adobe Stock" watermark is visible in the center of the frame.<|eot|> ``` ```python import os from transformers import AutoModelForMultimodalLM, AutoProcessor, DistributedConfig distributed_config = DistributedConfig( tp_size=int(os.environ["WORLD_SIZE"]), ep_size=int(os.environ["WORLD_SIZE"]), ) processor = AutoProcessor.from_pretrained("meta-models/Muse-Spark-Open-816B-A42B") model = AutoModelForMultimodalLM.from_pretrained( "meta-models/Muse-Spark-Open-816B-A42B", distributed_config=distributed_config, ) messages = [ { "role": "user", "content": [ {"type": "audio", "url": "https://huggingface.co/datasets/hf-internal-testing/dummy-audio-samples/resolve/main/glass_breaking.mp3"}, {"type": "text", "text": "What is said in this recording?"}, ], }, ] inputs = processor.apply_chat_template( messages, reasoning_effort="low", # default: xhigh, options: low/medium/high/xhigh processor_kwargs={"sampling_rate": 24000}, # sampling rate the model was trained with add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device).to(model.dtype) input_len = inputs["input_ids"].shape[-1] outputs = model.generate(**inputs, max_new_tokens=512) print(processor.decode(outputs[0][input_len:], skip_special_tokens=False)) # to=self<|message|>We need to respond to user request: "What is said in this recording?" # ... # <|eom|><|start|>assistant to=user<|message|>In the recording the person says: # # > "Just picked up this glass and the people at the store told me that if I dropped it it wouldn't break." # # Then the glass is dropped and shatters.<|eot|> ``` ## Pesos NVFP4 Los [pesos cuantizados](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B-NVFP4) NVFP4, con requisitos de memoria más bajos, están disponibles en el hub. El modelo se puede cargar en cualquier dispositivo compatible con NVFP4 sin cambios en el código. La configuración de cuantización se aplica automáticamente en el momento de la carga. > [!IMPORTANT] > Para el soporte de NVFP4, transformers debe instalarse desde [esta rama](https://github.com/huggingface/transformers/pull/49015). > > ```bash > pip install git+https://github.com/huggingface/transformers.git@finegrained-per-scheme-demo > ``` ```python import os from transformers import AutoModelForMultimodalLM, AutoProcessor, DistributedConfig distributed_config = DistributedConfig( tp_size=int(os.environ["WORLD_SIZE"]), ep_size=int(os.environ["WORLD_SIZE"]), ) processor = AutoProcessor.from_pretrained("meta-models/Muse-Spark-Open-816B-A42B-NVFP4") model = AutoModelForMultimodalLM.from_pretrained( "meta-models/Muse-Spark-Open-816B-A42B-NVFP4", distributed_config=distributed_config, ) # ... ``` ## MuseSparkConfig[[transformers.MuseSparkConfig]] #### transformers.MuseSparkConfig[[transformers.MuseSparkConfig]] ```python transformers.MuseSparkConfig(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, image_token_id: int = 200092, video_token_id: int = 200091, out_hidden_size: int = 6144, projector_hidden_size: int = 4096, projector_hidden_act: str = 'gelu', audio_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, audio_token_id: int = 200038) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/configuration_muse_spark.py#L251) **Parámetros:** text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *opcional*) : El objeto de configuración o el diccionario del backbone de texto. vision_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *opcional*) : El objeto de configuración o el diccionario del backbone de visión. image_token_id (`int`, *opcional*, valor predeterminado `200092`) : El índice del token de imagen utilizado como marcador de posición para las imágenes de entrada. video_token_id (`int`, *opcional*, valor predeterminado `200091`) : El índice de token de video utilizado como marcador de posición para los videos de entrada. out_hidden_size (`int`, *opcional*, valor predeterminado 6144) : Dimensión de salida del codificador de visión tras la fusión de parches (ancho de entrada de la proyección multimodal). projector_hidden_size (`int`, *opcional*, valor predeterminado 4096) : Dimensión intermedia de la proyección multimodal. projector_hidden_act (`str`, *opcional*, valor predeterminado `gelu`) : La función de activación utilizada por el proyector multimodal. audio_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *opcional*) : El objeto de configuración o el diccionario del backbone de audio. audio_token_id (`int`, *opcional*, valor predeterminado `200038`) : El índice de token de audio utilizado como marcador de posición para el audio de entrada. Esta es la clase de configuración para almacenar la configuración de un MuseSparkModel. Se utiliza para instanciar un modelo Muse Spark según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de [meta-models/Muse-Spark-Open-816B-A42B](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) Los objetos de configuración heredan de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) y se pueden utilizar para controlar las salidas del modelo. Consulte la documentación de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) para obtener más información. Ejemplo: ```python >>> from transformers import MuseSparkForConditionalGeneration, MuseSparkConfig >>> # Initializing an MuseSpark style configuration >>> configuration = MuseSparkConfig() >>> # Initializing a model from the configuration >>> model = MuseSparkForConditionalGeneration(configuration) >>> # Accessing the model configuration >>> configuration = model.config ``` ## MuseSparkTextConfig[[transformers.MuseSparkTextConfig]] #### transformers.MuseSparkTextConfig[[transformers.MuseSparkTextConfig]] ```python transformers.MuseSparkTextConfig(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, vocab_size: int = 202048, hidden_size: int = 8192, intermediate_size: int = 16384, num_hidden_layers: int = 62, num_attention_heads: int = 128, num_key_value_heads: int = 16, head_dim: int = 64, max_position_embeddings: int = 1048576, initializer_range: float = 0.02, rms_norm_eps: float = 1e-05, use_cache: bool = True, pad_token_id: int | None = None, eos_token_id: int | list[int] | None = 200001, bos_token_id: int | None = 200000, tie_word_embeddings: bool = False, rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None, attention_bias: bool = False, attention_dropout: int | float | None = 0.0, sliding_window: int | None = 2048, layer_types: list[str] | None = None, final_logit_softcapping: float = 20.0, qk_scale_factor: float = 5.4730064863875, output_multiplier: float = 0.1767766952966369, post_norm_eps: float = 1e-08, layer_rope_theta: list[float | int] | None = None, hidden_act: str = 'silu', moe_intermediate_size: int = 4096, num_local_experts: int = 256, num_experts_per_tok: int = 8, routed_scaling_factor: float = 1.0, moe_hidden_size: int = 4096, mlp_layer_types: list[str] | None = None, residual_gate_temperature: float = 0.3, output_router_logits: bool = False) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/configuration_muse_spark.py#L75) **Parámetros:** vocab_size (`int`, *opcional*, valor predeterminado `202048`) : Tamaño del vocabulario del modelo. Define el número de tokens diferentes que pueden representarse mediante `input_ids`. hidden_size (`int`, *opcional*, valor predeterminado `8192`) : Dimensión de las representaciones ocultas. intermediate_size (`int`, *opcional*, valor predeterminado `16384`) : Dimensión de las representaciones MLP. num_hidden_layers (`int`, *opcional*, valor predeterminado `62`) : Número de capas ocultas en el decodificador del Transformer. num_attention_heads (`int`, *opcional*, valor predeterminado `128`) : Número de cabezas de atención para cada capa de atención en el decodificador del Transformer. num_key_value_heads (`int`, *opcional*, valor predeterminado `16`) : Este es el número de cabezas de key_value que se deben utilizar para implementar Grouped Query Attention. Si `num_key_value_heads=num_attention_heads`, el modelo utilizará Multi Head Attention (MHA); si `num_key_value_heads=1`, el modelo utilizará Multi Query Attention (MQA); en caso contrario, se utilizará GQA. Al convertir un checkpoint multi-head a un checkpoint GQA, cada cabeza de key y value del grupo debe construirse mediante el promedio (meanpooling) de todas las cabezas originales dentro de ese grupo. Para más detalles, consulte [este artículo](https://huggingface.co/papers/2305.13245). Si no se especifica, el valor predeterminado será `num_attention_heads`. head_dim (`int`, *opcional*, valor predeterminado `64`) : La dimensión de la cabeza de atención. Si es None, se establecerá en hidden_size // num_attention_heads max_position_embeddings (`int`, *opcional*, valor predeterminado `1048576`) : La longitud máxima de secuencia con la que se podría utilizar este modelo. initializer_range (`float`, *opcional*, valor predeterminado `0.02`) : La desviación estándar de truncated_normal_initializer para inicializar todas las matrices de pesos. rms_norm_eps (`float`, *opcional*, valor predeterminado `1e-05`) : El epsilon utilizado por las capas de normalización rms. use_cache (`bool`, *opcional*, valor predeterminado `True`) : Indica si el modelo debe devolver las últimas atenciones de claves/valores (no se utiliza en todos los modelos). Solo es relevante si `config.is_decoder=True` o cuando el modelo es un modelo generativo solo de decodificador. pad_token_id (`int`, *opcional*) : Id de token utilizado para el relleno en el vocabulario. eos_token_id (`Union[int, list[int]]`, *opcional*, valor predeterminado `200001`) : Id de token utilizado para el fin de la secuencia en el vocabulario. bos_token_id (`int`, *opcional*, valor predeterminado `200000`) : Identificador de token utilizado para el inicio de la secuencia en el vocabulario. tie_word_embeddings (`bool`, *opcional*, valor predeterminado `False`) : Si se deben vincular las incrustaciones de pesos según el mapeo `tied_weights_keys` del modelo. rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`, *opcional*) : Diccionario que contiene los parámetros de configuración para las incrustaciones RoPE. El diccionario debe contener un valor para `rope_theta` y, opcionalmente, parámetros utilizados para el escalado en caso de que desee usar RoPE con `max_position_embeddings` más largas. attention_bias (`bool`, *opcional*, valor predeterminado `False`) : Indica si se debe usar un sesgo en las capas de proyección de consulta, clave, valor y salida durante la autoatención. attention_dropout (`Union[int, float]`, *opcional*, valor predeterminado `0.0`) : La proporción de dropout para las probabilidades de atención. sliding_window (`int`, *opcional*, valor predeterminado `2048`) : Tamaño de la ventana de atención deslizante. Si es `None`, no se aplica ninguna ventana deslizante. layer_types (`list[str]`, *opcional*) : Una lista que mapea explícitamente cada índice de capa con su tipo de capa. Si no se proporciona, se generará automáticamente en función de los valores de la configuración. final_logit_softcapping (`float`, *opcional*, valor predeterminado `20.0`) : Valor de recorte suave aplicado a los logits finales antes de calcular la distribución de probabilidad. Los logits se escalan mediante `tanh(logit / cap) * cap`. qk_scale_factor (`float`, *opcional*, valor predeterminado 5.4730064863875) : Multiplicador aplicado a Q después de la QK-norm sin escala, además de la escalado estándar de atención `1/sqrt(head_dim)`. output_multiplier (`float`, *opcional*, valor predeterminado 0.1767766952966369) : Escala aplicada a los logits antes del softcap tanh final. Es igual a `1/sqrt(hidden_size / 256)` para el checkpoint publicado. post_norm_eps (`float`, *opcional*, valor predeterminado 1e-8) : Epsilon utilizado para las normalizaciones posteriores a la atención y posteriores al FFN (que se encuentran entre la salida de la subcapa y el residual). layer_rope_theta (`list[float]`, *opcional*) : Theta base de RoPE por capa; `0` deshabilita la rotación (NoPE) para esa capa. Anula el valor global de `rope_parameters["rope_theta"]`. El valor predeterminado es el theta global en todas las capas, excepto en cada cuarta capa contada hacia atrás desde la última, que es NoPE. hidden_act (`str`, *opcional*, valor predeterminado `silu`) : La función de activación no lineal (función o cadena) en el decodificador. Por ejemplo, `"gelu"`, `"relu"`, `"silu"`, etc. moe_intermediate_size (`int`, *opcional*, valor predeterminado `4096`) : Tamaño intermedio de los MLP de expertos enrutados. num_local_experts (`int`, *opcional*, valor predeterminado `256`) : Número de expertos locales en cada dispositivo. `num_experts` debe ser divisible entre `num_local_experts`. num_experts_per_tok (`int`, *opcional*, valor predeterminado `8`) : Número de expertos a los que se enruta cada token. Este es el valor top-k para el enrutamiento de selección de token. routed_scaling_factor (`float`, *opcional*, valor predeterminado `1.0`) : Factor de escala o expertos enrutados. moe_hidden_size (`int`, *opcional*, valor predeterminado 4096) : Ancho al que el bloque MoE reduce `hidden_size` antes de los expertos enrutados, y desde el cual lo expande después. Los expertos se ejecutan completamente a este ancho. mlp_layer_types (`list[str]`, *opcional*) : Tipo de MLP por capa — `"dense"` o `"sparse"`. La longitud debe ser igual a `num_hidden_layers`. El valor predeterminado es todo sparse. residual_gate_temperature (`float`, *opcional*, valor predeterminado 0.3) : Temperatura aplicada al parámetro de la puerta residual antes de la sigmoide. output_router_logits (`bool`, *opcional*, valor predeterminado `False`) : Indica si el modelo debe devolver los logits del router. Si se habilita, el modelo también podrá generar la pérdida auxiliar, que incluye la pérdida de equilibrado de carga y la pérdida z del router. Esta es la clase de configuración para almacenar la configuración de un MuseSparkModel. Se utiliza para instanciar un modelo Muse Spark según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de [meta-models/Muse-Spark-Open-816B-A42B](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) Los objetos de configuración heredan de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) y se pueden utilizar para controlar las salidas del modelo. Consulte la documentación de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) para obtener más información. ## MuseSparkVisionConfig[[transformers.MuseSparkVisionConfig]] #### transformers.MuseSparkVisionConfig[[transformers.MuseSparkVisionConfig]] ```python transformers.MuseSparkVisionConfig(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, patch_size: int = 14, pos_emb_height: int = 32, pos_emb_width: int = 32, num_attention_heads: int = 16, num_hidden_layers: int = 50, hidden_size: int = 1536, intermediate_size: int = 8960, hidden_act: str = 'gelu', rope_parameters: dict | None = None, patch_temporal: int = 2, merge_size: int = 2, max_position_embeddings: int = 1024, layer_norm_eps: float = 1e-05, layer_types: list[str] | None = None) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/configuration_muse_spark.py#L31) **Parámetros:** patch_size (`int`, *opcional*, valor predeterminado `14`) : El tamaño (resolución) de cada parche. pos_emb_height (`int`, *opcional*) : Altura inicial del embedding de posición. pos_emb_width (`int`, *opcional*) : Ancho inicial de la incrustación de posición. num_attention_heads (`int`, *opcional*, valor predeterminado `16`) : Número de cabezas de atención para cada capa de atención en el decodificador del Transformer. num_hidden_layers (`int`, *opcional*, valor predeterminado `50`) : Número de capas ocultas en el decodificador del Transformer. hidden_size (`int`, *opcional*, valor predeterminado `1536`) : Dimensión de las representaciones ocultas. intermediate_size (`int`, *opcional*, valor predeterminado `8960`) : Dimensión de las representaciones MLP. hidden_act (`str`, *opcional*, valor predeterminado `gelu`) : La función de activación no lineal (función o cadena) en el decodificador. Por ejemplo, `"gelu"`, `"relu"`, `"silu"`, etc. rope_parameters (`dict`, *opcional*) : Diccionario que contiene los parámetros de configuración para las incrustaciones RoPE. El diccionario debe contener un valor para `rope_theta` y, opcionalmente, parámetros utilizados para el escalado en caso de que desee usar RoPE con `max_position_embeddings` más largos. patch_temporal (`int`, *opcional*) : El tamaño del parche temporal utilizado para incrustar las entradas. merge_size (`tuple[int] | list[int]`, *opcional*) : Tamaño del kernel para la fusión de parches. max_position_embeddings (`int`, *opcional*, valor predeterminado `1024`) : La longitud máxima de secuencia con la que se podría utilizar este modelo. layer_norm_eps (`float`, *opcional*, valor predeterminado `1e-05`) : El epsilon utilizado por las capas de normalización de capas. layer_types (`list[str]`, *opcional*) : Una lista que mapea explícitamente cada índice de capa con su tipo de capa. Si no se proporciona, se generará automáticamente en función de los valores de la configuración. Esta es la clase de configuración para almacenar la configuración de un MuseSparkModel. Se utiliza para instanciar un modelo Muse Spark según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de [meta-models/Muse-Spark-Open-816B-A42B](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) Los objetos de configuración heredan de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) y se pueden utilizar para controlar las salidas del modelo. Consulte la documentación de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) para obtener más información. ## MuseSparkAudioConfig[[transformers.MuseSparkAudioConfig]] #### transformers.MuseSparkAudioConfig[[transformers.MuseSparkAudioConfig]] ```python transformers.MuseSparkAudioConfig(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, patch_sizes: list[int] | tuple[int, ...] = (16, 6, 5, 4), hidden_sizes: list[int] | tuple[int, ...] = (256, 512, 1024, 2048), depths: list[int] | tuple[int, ...] = (2, 2, 2, 2), num_hidden_layers: int = 4, mlp_ratio: float = 4.0, conv_kernel_size: int = 7, hidden_act: str = 'gelu', rms_norm_eps: float = 1e-06, out_hidden_size: int = 8192, initializer_range: float = 0.02) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/configuration_muse_spark.py#L192) **Parámetros:** patch_sizes (`list[int] | tuple[int, ...]`, *opcional*, valor predeterminado `(16, 6, 5, 4)`) : Factor de muestreo temporal aplicado por el patch embedding de cada etapa. Su producto es el número de muestras de la forma de onda que se agrupan en un único token de salida. hidden_sizes (`list[int] | tuple[int, ...]`, *opcional*, valor predeterminado `(256, 512, 1024, 2048)`) : Ancho oculto de cada etapa. depths (`list[int] | tuple[int, ...]`, *opcional*, valor predeterminado `(2, 2, 2, 2)`) : Número de bloques conv en cada capa. num_hidden_layers (`int`, *opcional*, valor predeterminado 4) : Número de `MuseSparkAudioLayer`s, es decir, resoluciones en la pirámide. Redundante con `len(hidden_sizes)` y validado en contra de este, por lo que una pirámide personalizada debe establecer ambos. mlp_ratio (`float`, *opcional*, valor predeterminado 4.0) : Proporción entre el ancho intermedio del MLP de una capa y su ancho oculto. conv_kernel_size (`int`, *opcional*, valor predeterminado 7) : Tamaño del kernel de las convoluciones causales depthwise. hidden_act (`str`, *opcional*, valor predeterminado `gelu`) : La función de activación no lineal (función o cadena) en el decodificador. Por ejemplo, `"gelu"`, `"relu"`, `"silu"`, etc. rms_norm_eps (`float`, *opcional*, valor predeterminado `1e-06`) : El epsilon utilizado por las capas de normalización rms. out_hidden_size (`int`, *opcional*, valor predeterminado 8192) : Ancho al que la proyección final mapea, es decir, el tamaño oculto del modelo de texto. initializer_range (`float`, *opcional*, valor predeterminado `0.02`) : La desviación estándar de truncated_normal_initializer para inicializar todas las matrices de pesos. Esta es la clase de configuración para almacenar la configuración de un MuseSparkModel. Se utiliza para instanciar un modelo Muse Spark según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de [meta-models/Muse-Spark-Open-816B-A42B](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) Los objetos de configuración heredan de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) y se pueden utilizar para controlar las salidas del modelo. Consulte la documentación de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) para obtener más información. Ejemplo: ```python >>> from transformers import MuseSparkAudioConfig, MuseSparkAudioModel >>> configuration = MuseSparkAudioConfig() >>> model = MuseSparkAudioModel(configuration) >>> configuration = model.config ``` ## MuseSparkFeatureExtractor[[transformers.MuseSparkFeatureExtractor]] #### transformers.MuseSparkFeatureExtractor[[transformers.MuseSparkFeatureExtractor]] ```python transformers.MuseSparkFeatureExtractor(feature_size = 1, sampling_rate = 24000, padding_value = 0.0, samples_per_token = 1920, return_attention_mask = True, **kwargs) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/feature_extraction_muse_spark.py#L28) **Parámetros:** feature_size (`int`, *opcional*, valor predeterminado: 1) : La dimensión de las características de las características extraídas. Muse Spark Open toma audio mono. sampling_rate (`int`, *opcional*, valor predeterminado 24000) : La frecuencia de muestreo, en hercios, a la que se espera la señal de audio. El audio con cualquier otra frecuencia debe remuestrearse antes de llegar a esta clase. padding_value (`float`, *opcional*, valor predeterminado 0.0) : Valor utilizado para rellenar a la derecha. samples_per_token (`int`, *opcional*, valor predeterminado 1920) : Muestras de la forma de onda que el codificador colapsa en un solo embedding: el producto de `patch_sizes` de la configuración de audio (16 * 6 * 5 * 4). Los lotes se rellenan hasta un múltiplo de este valor. return_attention_mask (`bool`, *opcional*, valor predeterminado `True`) : Indica si `__call__()` debe devolver `input_values_mask`. La torre de audio es completamente convolucional y no consume una; está desactivada de forma predeterminada. Construye un extractor de características de Muse Spark Open. La torre de audio de Muse Spark Opens consume la forma de onda cruda —no hay un preprocesador de espectrograma—, por lo que esta etapa solo realiza agrupación, relleno y (opcionalmente) truncamiento. La única tarea no evidente que realiza es rellenar cada lote hasta un múltiplo de `samples_per_token`: el codificador colapsa exactamente esa cantidad de muestras en una única representación y, de lo contrario, genera un error. Este extractor de características hereda de [SequenceFeatureExtractor](/docs/transformers/main/es/main_classes/feature_extractor#transformers.SequenceFeatureExtractor), que contiene la mayoría de los métodos principales. Los usuarios deben consultar esta superclase para obtener más información sobre dichos métodos. ## MuseSparkProcessor[[transformers.MuseSparkProcessor]] #### transformers.MuseSparkProcessor[[transformers.MuseSparkProcessor]] ```python transformers.MuseSparkProcessor(image_processor = None, video_processor = None, tokenizer = None, feature_extractor = None, chat_template = None, **kwargs) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/processing_muse_spark.py#L28) **Parámetros:** image_processor (`MuseGlimmerImageProcessor`) : El procesador de imágenes es un parámetro de entrada obligatorio. video_processor (`MuseGlimmerVideoProcessor`) : El procesador de video es un parámetro de entrada obligatorio. tokenizer (`tokenizer_class`): El tokenizador es una entrada obligatoria. feature_extractor (`MuseSparkFeatureExtractor`) : El extractor de características es una entrada obligatoria. chat_template (`str`) : Una plantilla de Jinja para convertir listas de mensajes de un chat en una cadena tokenizable. Construye un MuseSparkProcessor que encapsula un procesador de imágenes, un procesador de video, un tokenizador y un extractor de características en un único procesador. [MuseSparkProcessor](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkProcessor) ofrece todas las funcionalidades de [MuseGlimmerImageProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerImageProcessor), [MuseGlimmerVideoProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerVideoProcessor), `tokenizer_class` y [MuseSparkFeatureExtractor](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkFeatureExtractor). Consulte [~MuseGlimmerImageProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerImageProcessor), [~MuseGlimmerVideoProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerVideoProcessor), `~tokenizer_class` y [~MuseSparkFeatureExtractor](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkFeatureExtractor) para obtener más información. ## MuseSparkPreTrainedModel[[transformers.MuseSparkPreTrainedModel]] #### transformers.MuseSparkPreTrainedModel[[transformers.MuseSparkPreTrainedModel]] ```python transformers.MuseSparkPreTrainedModel(config: PreTrainedConfig, *inputs, **kwargs) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/modeling_muse_spark.py#L494) **Parámetros:** config ([PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo. Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.). Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales. ## MuseSparkTextModel[[transformers.MuseSparkTextModel]] #### transformers.MuseSparkTextModel[[transformers.MuseSparkTextModel]] ```python transformers.MuseSparkTextModel(config: MuseSparkTextConfig) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/modeling_muse_spark.py#L590) **Parámetros:** config ([MuseSparkTextConfig](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkTextConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo. El modelo de texto Muse Spark básico que genera estados ocultos sin ninguna cabeza específica en la parte superior. Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.). Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales. #### forward[[transformers.MuseSparkTextModel.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, **kwargs: *) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/modeling_muse_spark.py#L615) **Parámetros:** input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/main/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids) attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`: - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**. [¿Qué son las máscaras de atención?](../glossary#attention-mask) position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`. [¿Qué son los IDs de posición?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que se pueden utilizar para acelerar la decodificación secuencial. Esto suele consistir en los `past_key_values` devueltos por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`. Solo se permite una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache) como entrada, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasan `past_key_values`, se inicializará [DynamicCache](/docs/transformers/main/es/internal/generation_utils#transformers.DynamicCache) de forma predeterminada. El modelo devolverá el mismo formato de caché que se haya proporcionado como entrada. Si se utilizan `past_key_values`, se espera que el usuario introduzca solo los `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor previos dados a este modelo) con forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` con forma `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo. use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave `past_key_values` y pueden usarse para acelerar la decodificación (ver `past_key_values`). **Devuelve:** `MoeModelOutputWithPast` o `tuple(torch.Tensor)` Un `MoeModelOutputWithPast` o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración ([MuseSparkConfig](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkConfig)) y las entradas. El método forward de [MuseSparkTextModel](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkTextModel) sobrescribe el método especial `__call__`. Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente. - **last_hidden_state** (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`) -- Secuencia de estados ocultos en la salida de la última capa del modelo. - **past_key_values** (`Cache`, *opcional*, se devuelve cuando se pasa `use_cache=True` o cuando `config.use_cache=True`) -- Es una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache). Para más detalles, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache). Contiene estados ocultos precalculados (claves y valores en los bloques de autoatención y, opcionalmente, si `config.is_encoder_decoder=True`, en los bloques de atención cruzada) que pueden utilizarse (véase la entrada `past_key_values`) para acelerar la decodificación secuencial. - **hidden_states** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de los embeddings, si el modelo tiene una capa de embedding, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`. Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial. - **attentions** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`. Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención. - **router_logits** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_router_probs=True` y `config.add_router_probs=True` o cuando `config.output_router_probs=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, sequence_length, num_experts)`. Logits crudos del enrutador (post-softmax) que se calculan mediante los enrutadores de MoE; estos términos se utilizan para calcular la pérdida auxiliar en los modelos Mixture of Experts. ## MuseSparkVisionModel[[transformers.MuseSparkVisionModel]] #### transformers.MuseSparkVisionModel[[transformers.MuseSparkVisionModel]] ```python transformers.MuseSparkVisionModel(config: MuseSparkVisionConfig) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/modeling_muse_spark.py#L948) **Parámetros:** config ([MuseSparkVisionConfig](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkVisionConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo. El modelo Muse Spark básico que genera estados ocultos sin ningún cabezal específico en la parte superior. Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.). Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales. #### forward[[transformers.MuseSparkVisionModel.forward]] ```python forward(pixel_values: Tensor, grid_thw: LongTensor, **kwargs: *) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/modeling_muse_spark.py#L979) **Parámetros:** pixel_values (`torch.Tensor` de forma `(batch_size, num_channels, image_size, image_size)`) : Los tensores correspondientes a las imágenes de entrada. Los valores de píxeles se pueden obtener usando [MuseGlimmerImageProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerImageProcessor). Consulte [MuseGlimmerImageProcessor.__call__()](/docs/transformers/main/es/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) para más detalles ([MuseSparkProcessor](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkProcessor) utiliza [MuseGlimmerImageProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerImageProcessor) para procesar las imágenes). grid_thw (`torch.LongTensor` de forma `(num_images_or_videos, 3)`) : Las dimensiones de la cuadrícula de parches temporal, de altura y de ancho para cada imagen o video empaquetado. **Devuelve:** [BaseModelOutputWithPooling](/docs/transformers/main/es/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) o `tuple(torch.Tensor)` Un [BaseModelOutputWithPooling](/docs/transformers/main/es/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración ([MuseSparkConfig](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkConfig)) y las entradas. El método forward de [MuseSparkVisionModel](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkVisionModel) sobrescribe el método especial `__call__`. Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente. - **last_hidden_state** (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`) -- Secuencia de estados ocultos en la salida de la última capa del modelo. - **pooler_output** (`torch.Tensor` de forma `(batch_size, hidden_size)`) -- Estado oculto de la última capa del primer token de la secuencia (token de clasificación) después de un procesamiento adicional a través de las capas utilizadas para la tarea de preentrenamiento auxiliar. Por ejemplo, para la familia de modelos BERT, esto devuelve el token de clasificación después de procesarlo a través de una capa lineal y una función de activación tanh. Los pesos de la capa lineal se entrenan a partir del objetivo de predicción de la siguiente oración (clasificación) durante el preentrenamiento. - **hidden_states** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de los embeddings, si el modelo tiene una capa de embedding, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`. Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial. - **attentions** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`. Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención. ## MuseSparkAudioModel[[transformers.MuseSparkAudioModel]] #### transformers.MuseSparkAudioModel[[transformers.MuseSparkAudioModel]] ```python transformers.MuseSparkAudioModel(config: MuseSparkAudioConfig) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/modeling_muse_spark.py#L1213) **Parámetros:** config ([MuseSparkAudioConfig](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkAudioConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo. El codificador de audio por forma de onda Muse Spark Open: una pirámide convolucional totalmente causal que mapea audio mono crudo de 24 kHz a un embedding por cada 1920 muestras (80 ms, es decir, 12.5 Hz), ya en el tamaño oculto del modelo de texto. No utiliza atención ni un preprocesamiento de espectrograma. Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.). Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales. #### forward[[transformers.MuseSparkAudioModel.forward]] ```python forward(input_values: Tensor, padding_cache: transformers.models.muse_spark.modeling_muse_spark.MuseSparkAudioConv1dPaddingCache | None = None, **kwargs: *) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/modeling_muse_spark.py#L1228) **Parámetros:** input_values (`torch.Tensor` de forma `(batch_size, sequence_length)`) : Valores flotantes de la forma de onda de audio crudo de entrada. Los valores se pueden obtener cargando un archivo de audio `.flac` o `.wav` en un array de tipo `list[float]`, un `numpy.ndarray` o un `torch.Tensor`, *por ejemplo* mediante la biblioteca torchcodec (`pip install torchcodec`) o la biblioteca soundfile (`pip install soundfile`). Para preparar el array como `input_values`, se debe utilizar [AutoProcessor](/docs/transformers/main/es/model_doc/auto#transformers.AutoProcessor) para el relleno y la conversión a un tensor de tipo `torch.Tensor`. Consulte [MuseSparkProcessor.__call__()](/docs/transformers/main/es/main_classes/processors#transformers.ProcessorMixin.__call__) para más detalles. padding_cache (`MuseSparkAudioConv1dPaddingCache`, *opcional*) : Caché para el relleno en las capas convolucionales, con el fin de mantener el estado entre fragmentos de transmisión. **Devuelve:** [BaseModelOutput](/docs/transformers/main/es/main_classes/output#transformers.modeling_outputs.BaseModelOutput) o `tuple(torch.Tensor)` Un [BaseModelOutput](/docs/transformers/main/es/main_classes/output#transformers.modeling_outputs.BaseModelOutput) o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración ([MuseSparkConfig](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkConfig)) y las entradas. El método forward de [MuseSparkAudioModel](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkAudioModel) sobrescribe el método especial `__call__`. Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente. - **last_hidden_state** (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`) -- Secuencia de estados ocultos en la salida de la última capa del modelo. - **hidden_states** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de los embeddings, si el modelo tiene una capa de embedding, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`. Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial. - **attentions** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`. Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención. ## MuseSparkModel[[transformers.MuseSparkModel]] #### transformers.MuseSparkModel[[transformers.MuseSparkModel]] ```python transformers.MuseSparkModel(config: MuseSparkConfig) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/modeling_muse_spark.py#L1269) **Parámetros:** config ([MuseSparkConfig](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo. El modelo Muse Spark básico que genera estados ocultos sin ningún cabezal específico en la parte superior. Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.). Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales. #### forward[[transformers.MuseSparkModel.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, pixel_values: typing.Optional[torch.Tensor] = None, image_grid_thw: typing.Optional[torch.LongTensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, video_grid_thw: typing.Optional[torch.LongTensor] = None, input_values: typing.Optional[torch.Tensor] = None, input_values_mask: typing.Optional[torch.Tensor] = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/modeling_muse_spark.py#L1362) **Parámetros:** input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/main/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids) attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`: - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**. [¿Qué son las máscaras de atención?](../glossary#attention-mask) position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`. [¿Qué son los IDs de posición?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que se pueden utilizar para acelerar la decodificación secuencial. Esto suele consistir en los `past_key_values` devueltos por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`. Solo se permite una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache) como entrada, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasan `past_key_values`, se inicializará [DynamicCache](/docs/transformers/main/es/internal/generation_utils#transformers.DynamicCache) de forma predeterminada. El modelo devolverá el mismo formato de caché que se haya proporcionado como entrada. Si se utilizan `past_key_values`, se espera que el usuario introduzca solo los `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor previos dados a este modelo) con forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` con forma `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo. use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave `past_key_values` y pueden usarse para acelerar la decodificación (ver `past_key_values`). pixel_values (`torch.Tensor` de forma `(batch_size, num_channels, image_size, image_size)`, *opcional*) : Los tensores correspondientes a las imágenes de entrada. Los valores de píxeles se pueden obtener mediante [MuseGlimmerImageProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerImageProcessor). Consulte [MuseGlimmerImageProcessor.__call__()](/docs/transformers/main/es/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) para obtener más detalles ([MuseSparkProcessor](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkProcessor) utiliza [MuseGlimmerImageProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerImageProcessor) para procesar las imágenes). image_grid_thw (`torch.LongTensor` de forma `(num_images, 3)`, *opcional*) : La dimensión temporal, la altura y el ancho de la forma de las características de cada imagen en el LLM. pixel_values_videos (`torch.Tensor` de forma `(batch_size, num_frames, num_channels, frame_size, frame_size)`, *opcional*) : Los tensores correspondientes al video de entrada. Los valores de píxel de los videos se pueden obtener usando [MuseGlimmerVideoProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerVideoProcessor). Consulte [MuseGlimmerVideoProcessor.__call__()](/docs/transformers/main/es/model_doc/molmo2#transformers.Molmo2VideoProcessor.__call__) para más detalles ([MuseSparkProcessor](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkProcessor) utiliza [MuseGlimmerVideoProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerVideoProcessor) para procesar videos). video_grid_thw (`torch.LongTensor` de forma `(num_videos, 3)`, *opcional*) : La dimensión temporal, la altura y el ancho de la forma de las características de cada video en el LLM. input_values (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Valores flotantes de la forma de onda de voz cruda de entrada. Los valores se pueden obtener cargando un archivo de audio `.flac` o `.wav` en un array de tipo `list[float]`, un `numpy.ndarray` o un `torch.Tensor`, *por ejemplo* mediante la biblioteca torchcodec (`pip install torchcodec`) o la biblioteca soundfile (`pip install soundfile`). Para preparar el array como `input_values`, se debe utilizar [AutoProcessor](/docs/transformers/main/es/model_doc/auto#transformers.AutoProcessor) para el relleno y la conversión a un tensor de tipo `torch.Tensor`. Consulte [MuseSparkProcessor.__call__()](/docs/transformers/main/es/main_classes/processors#transformers.ProcessorMixin.__call__) para más detalles. input_values_mask (`torch.Tensor` de forma `(batch_size, num_samples)`, *opcional*) : Qué entradas de `input_values` son audio real en lugar de relleno, tal como las produce [MuseSparkFeatureExtractor](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkFeatureExtractor). Es obligatorio al agrupar clips de diferentes longitudes. mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *opcional*) : Diccionario donde las claves son las modalidades admitidas y los valores son las salidas codificadas para esa modalidad. Cada salida codificada es una tupla que consiste en (`pooler_output`, *opcional*: `last_hidden_states`, *opcional*: `hidden_states`, *opcional*: `attentions`) `pooler_output` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) es una secuencia de características multimodales del codificador fusionadas en las incrustaciones de texto. **Devuelve:** `MuseSparkModelOutputWithPast` o `tuple(torch.Tensor)` Un `MuseSparkModelOutputWithPast` o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración ([MuseSparkConfig](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkConfig)) y las entradas. El método forward de [MuseSparkModel](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkModel) sobrescribe el método especial `__call__`. Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente. - **last_hidden_state** (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`) -- Secuencia de estados ocultos en la salida de la última capa del modelo. Si se utiliza `past_key_values`, solo se genera el último hidden-state de las secuencias con forma `(batch_size, 1, hidden_size)`. - **past_key_values** (`Cache`, *opcional*, se devuelve cuando se pasa `use_cache=True` o cuando `config.use_cache=True`) -- Es una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache). Para más detalles, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache). Contiene estados ocultos precalculados (claves y valores en los bloques de autoatención y, opcionalmente, si `config.is_encoder_decoder=True`, en los bloques de atención cruzada) que pueden utilizarse (véase la entrada `past_key_values`) para acelerar la decodificación secuencial. - **hidden_states** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de los embeddings, si el modelo tiene una capa de embedding, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`. Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial. - **attentions** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`. Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención. - **image_hidden_states** (`torch.Tensor`, *opcional*) -- Un `torch.Tensor` de tamaño `(batch_size, num_images, sequence_length, hidden_size)`. image_hidden_states del modelo generado por el codificador de visión y después de proyectar el último estado oculto. - **router_logits** (`tuple[torch.Tensor]`, *opcional*, se devuelve cuando se pasa `output_router_logits=True` o cuando `config.add_router_probs=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, sequence_length, num_experts)`. Logits del router del modelo, útiles para calcular la pérdida auxiliar en modelos Mixture of Experts. Ejemplo: ```python >>> import os >>> from transformers import AutoProcessor, DistributedConfig, MuseSparkModel >>> distributed_config = DistributedConfig( ... tp_size=int(os.environ["WORLD_SIZE"]), ... ep_size=int(os.environ["WORLD_SIZE"]), ... ) >>> processor = AutoProcessor.from_pretrained("meta-models/Muse-Spark-Open-816B-A42B") >>> model = MuseSparkModel.from_pretrained( ... "meta-models/Muse-Spark-Open-816B-A42B", ... dtype="auto", ... distributed_config=distributed_config, ... ) >>> messages = [ ... { ... "role": "user", ... "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "What is shown in this image?"}, ... ], ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... reasoning_effort="medium", ... add_generation_prompt=True, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... ).to(model.device).to(model.dtype) >>> outputs = model(**inputs) >>> last_hidden_state = outputs.last_hidden_state ``` ## MuseSparkForConditionalGeneration[[transformers.MuseSparkForConditionalGeneration]] #### transformers.MuseSparkForConditionalGeneration[[transformers.MuseSparkForConditionalGeneration]] ```python transformers.MuseSparkForConditionalGeneration(config: MuseSparkConfig) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/modeling_muse_spark.py#L1552) **Parámetros:** config ([MuseSparkConfig](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo. El modelo Muse Spark para la generación de tokens condicionada en otras modalidades (p. ej., generación de texto a partir de imagen y texto). Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.). Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales. #### forward[[transformers.MuseSparkForConditionalGeneration.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, image_grid_thw: typing.Optional[torch.LongTensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, video_grid_thw: typing.Optional[torch.LongTensor] = None, input_values: typing.Optional[torch.Tensor] = None, input_values_mask: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/muse_spark/modeling_muse_spark.py#L1590) **Parámetros:** input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/main/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids) pixel_values (`torch.Tensor` de forma `(batch_size, num_channels, image_size, image_size)`, *opcional*) : Los tensores correspondientes a las imágenes de entrada. Los valores de píxeles se pueden obtener mediante [MuseGlimmerImageProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerImageProcessor). Consulte [MuseGlimmerImageProcessor.__call__()](/docs/transformers/main/es/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) para obtener más detalles ([MuseSparkProcessor](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkProcessor) utiliza [MuseGlimmerImageProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerImageProcessor) para procesar las imágenes). image_grid_thw (`torch.LongTensor` de forma `(num_images, 3)`, *opcional*) : La dimensión temporal, la altura y el ancho de la forma de las características de cada imagen en el LLM. pixel_values_videos (`torch.Tensor` de forma `(batch_size, num_frames, num_channels, frame_size, frame_size)`, *opcional*) : Los tensores correspondientes al video de entrada. Los valores de píxel de los videos se pueden obtener usando [MuseGlimmerVideoProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerVideoProcessor). Consulte [MuseGlimmerVideoProcessor.__call__()](/docs/transformers/main/es/model_doc/molmo2#transformers.Molmo2VideoProcessor.__call__) para más detalles ([MuseSparkProcessor](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkProcessor) utiliza [MuseGlimmerVideoProcessor](/docs/transformers/main/es/model_doc/muse_glimmer#transformers.MuseGlimmerVideoProcessor) para procesar videos). video_grid_thw (`torch.LongTensor` de forma `(num_videos, 3)`, *opcional*) : La dimensión temporal, la altura y el ancho de la forma de las características de cada video en el LLM. input_values (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Valores flotantes de la forma de onda de voz cruda de entrada. Los valores se pueden obtener cargando un archivo de audio `.flac` o `.wav` en un array de tipo `list[float]`, un `numpy.ndarray` o un `torch.Tensor`, *por ejemplo* mediante la biblioteca torchcodec (`pip install torchcodec`) o la biblioteca soundfile (`pip install soundfile`). Para preparar el array como `input_values`, se debe utilizar [AutoProcessor](/docs/transformers/main/es/model_doc/auto#transformers.AutoProcessor) para el relleno y la conversión a un tensor de tipo `torch.Tensor`. Consulte [MuseSparkProcessor.__call__()](/docs/transformers/main/es/main_classes/processors#transformers.ProcessorMixin.__call__) para más detalles. input_values_mask (`torch.Tensor` de forma `(batch_size, num_samples)`, *opcional*) : Qué entradas de `input_values` son audio real en lugar de relleno, tal como las produce [MuseSparkFeatureExtractor](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkFeatureExtractor). Es obligatorio al agrupar clips de diferentes longitudes. attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`: - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**. [¿Qué son las máscaras de atención?](../glossary#attention-mask) position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`. [¿Qué son los IDs de posición?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que se pueden utilizar para acelerar la decodificación secuencial. Esto suele consistir en los `past_key_values` devueltos por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`. Solo se permite una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache) como entrada, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasan `past_key_values`, se inicializará [DynamicCache](/docs/transformers/main/es/internal/generation_utils#transformers.DynamicCache) de forma predeterminada. El modelo devolverá el mismo formato de caché que se haya proporcionado como entrada. Si se utilizan `past_key_values`, se espera que el usuario introduzca solo los `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor previos dados a este modelo) con forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` con forma `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo. labels (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Etiquetas para calcular la pérdida de modelado de lenguaje enmascarado. Los índices deben estar en `[0, ..., config.vocab_size]` o ser -100 (consulte la docstring de `input_ids`). Los tokens con índices fijados en `-100` se ignoran (se enmascaran); la pérdida solo se calcula para los tokens con etiquetas en `[0, ..., config.vocab_size]`. use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave `past_key_values` y pueden usarse para acelerar la decodificación (ver `past_key_values`). logits_to_keep (`Union[int, torch.Tensor]`, *opcional*, valor predeterminado `0`) : Si es un `int`, se calculan los logits para los últimos `logits_to_keep` tokens. Si es `0`, se calculan los logits para todos los `input_ids` (caso especial). Solo se necesitan los logits del último token para la generación, y calcularlos únicamente para ese token puede ahorrar memoria, lo cual se vuelve bastante significativo para secuencias largas o un tamaño de vocabulario grande. Si es un `torch.Tensor`, debe ser de 1D y corresponder a los índices a conservar en la dimensión de longitud de secuencia. Esto es útil al usar el formato de tensor empaquetado (una sola dimensión para el lote y la longitud de secuencia). mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *opcional*) : Diccionario donde las claves son las modalidades admitidas y los valores son las salidas codificadas para esa modalidad. Cada salida codificada es una tupla que consiste en (`pooler_output`, *opcional*: `last_hidden_states`, *opcional*: `hidden_states`, *opcional*: `attentions`) `pooler_output` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) es una secuencia de características multimodales del codificador fusionadas en las incrustaciones de texto. **Devuelve:** `MuseSparkCausalLMOutputWithPast` o `tuple(torch.Tensor)` Un `MuseSparkCausalLMOutputWithPast` o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración ([MuseSparkConfig](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkConfig)) y las entradas. El método forward de [MuseSparkForConditionalGeneration](/docs/transformers/main/es/model_doc/muse_spark#transformers.MuseSparkForConditionalGeneration) sobrescribe el método especial `__call__`. Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente. - **loss** (`torch.Tensor` de forma `(1,)`, *opcional*, se devuelve cuando se proporciona `labels`) -- Pérdida de modelado de lenguaje (para la predicción del siguiente token). - **logits** (`torch.Tensor` de forma `(batch_size, sequence_length, config.text_config.vocab_size)`) -- Puntuaciones de predicción de la cabeza de modelado de lenguaje (puntuaciones para cada token del vocabulario antes de SoftMax). - **past_key_values** (`Cache`, *opcional*, se devuelve cuando se pasa `use_cache=True` o cuando `config.use_cache=True`) -- Es una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache). Para más detalles, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache). Contiene estados ocultos precalculados (claves y valores en los bloques de autoatención) que pueden utilizarse (véase la entrada `past_key_values`) para acelerar la decodificación secuencial. - **hidden_states** (`tuple[torch.Tensor]`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de las incrustaciones, si el modelo tiene una capa de incrustaciones, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`. Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial. - **attentions** (`tuple[torch.Tensor]`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`. Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención. - **image_hidden_states** (`torch.Tensor`, *opcional*) -- Un `torch.Tensor` de tamaño `(batch_size, num_images, sequence_length, hidden_size)`. image_hidden_states del modelo generado por el codificador de visión después de proyectar el último estado oculto. - **router_logits** (`tuple[torch.Tensor]`, *opcional*, se devuelve cuando se pasa `output_router_logits=True` o cuando `config.add_router_probs=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, sequence_length, num_experts)`. Logits del router del modelo, útiles para calcular la pérdida auxiliar en modelos Mixture of Experts. Ejemplo: ```python >>> import os >>> from transformers import AutoProcessor, DistributedConfig, MuseSparkForConditionalGeneration >>> distributed_config = DistributedConfig( ... tp_size=int(os.environ["WORLD_SIZE"]), ... ep_size=int(os.environ["WORLD_SIZE"]), ... ) >>> processor = AutoProcessor.from_pretrained("meta-models/Muse-Spark-Open-816B-A42B") >>> model = MuseSparkForConditionalGeneration.from_pretrained( ... "meta-models/Muse-Spark-Open-816B-A42B", ... dtype="auto", ... distributed_config=distributed_config, ... ) >>> messages = [ ... { ... "role": "user", ... "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "What is shown in this image?"}, ... ], ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... reasoning_effort="medium", ... add_generation_prompt=True, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... ).to(model.device).to(model.dtype) >>> input_len = inputs["input_ids"].shape[-1] >>> outputs = model.generate(**inputs, max_new_tokens=512) >>> response = processor.decode(outputs[0][input_len:], skip_special_tokens=False) >>> print(response) The image shows a **Pallas's cat — also known as a manul, *Otocolobus manul*** — walking through snow. ... ```