# DeepSeek-V4

[DeepSeek-V4](https://huggingface.co/deepseek-ai) 是 DeepSeek 推出的下一代 MoE 语言模型（[论文](https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash/blob/main/DeepSeek_V4.pdf)）。该架构用混合局部 + 长程设计取代了 DeepSeek-V3 的 Multi-head Latent Attention (MLA)，用 Manifold-Constrained Hyper-Connections (mHC) 取代了残差连接，并通过静态 token-id → expert-id 哈希表引导前几层 MoE 层。

此实现涵盖 `DeepSeek-V4-Flash`、`DeepSeek-V4-Pro` 及其 `-Base` 预训练模型。这四个模型共享相同的架构，仅在宽度 / 深度 / 专家数量和权重上有所不同。

> [!TIP]
> 在 [from_pretrained()](/docs/transformers/v5.23.0/zh/main_classes/model#transformers.PreTrainedModel.from_pretrained) 中设置 `use_kernels=True`，即可用 Hub 上的优化内核替换受支持的层。有关详细信息，请参阅 [加载内核](../kernel_doc/loading_kernels)。

## Architecture （论文 §2）

### 混合注意力（§2.3）

每个解码器块属于三种注意力类型之一，由 `config.layer_types[i]` 进行分发：

* **滑动窗口全注意力**（`"sliding_attention"`）：仅使用 `sliding_window` 个 token 的局部窗口，不包含长程分支。与 V3 中引导层（bootstrap layers）的“Full Attention”风格一致。
* **压缩稀疏注意力**（`"compressed_sparse_attention"`，**CSA** — 论文 §2.3.1）：一个低压缩率的池（`compress_rate_csa`，默认 `m=4`），带有重叠窗口，外加一个 **Lightning Indexer**（公式 13–17），用于对查询与池进行评分，并在查询进入核心注意力之前，为每个查询收集前 `index_topk` 个块。
* **高压缩注意力**（`"heavily_compressed_attention"`，**HCA** — 论文 §2.3.2）：采用高压缩池（`compress_rate_hca`，默认 `m'=128`）和非重叠窗口。不使用索引器——每个池化条目都参与注意力计算。

这三种类型共享相同的骨干网络：

* **共享 K=V 的多查询注意力**：`num_key_value_heads = 1`；`kv_proj` 生成单个 KV 头，并且同一个张量同时作为键和值被读取。
* 对每个头末尾的 `qk_rope_head_dim = head_dim * partial_rotary_factor` 个通道应用 **部分 RoPE**（交错对，论文 §2.3.3 “Partial Rotary Positional Embedding”）。对注意力输出的 rope 切片（公式 26）应用相同旋转，位置为 `-i`，使得每个 KV 条目的贡献保持为与查询的 *相对* 距离的函数。
* **每个头可学习的注意力汇聚点**（公式 27）。
* **分组低秩输出投影**（§2.3.1 “Grouped Output Projection”）：`o_groups` 个头组 → 每组 `o_lora_rank` → `hidden_size`，由 `DeepseekV4GroupedLinear`（`o_a_proj`）后接 `o_b_proj` 计算得出。在不损失表达能力的情况下，降低了宽注意力输出的每 token 成本。
* 大小为 `sliding_window` 的**共享滑动窗口 K=V 分支**（“滑动窗口注意力的附加分支”，§2.3.1）保留了局部细粒度依赖；长程压缩器的输出会在核心注意力之前与该分支的 KV 进行拼接。

### 流形约束超连接（§2.2）

残差连接被 mHC（Xie et al., 2026）所取代：`hc_mult` 条并行残差流在整个块中始终保持形状 `[B, S, hc_mult, D]`。两个 `DeepseekV4HyperConnection` 模块——`attn_hc` 和 `ffn_hc`——通过 `(pre, post, comb)` 三元组，在注意力 / MLP 子层周围进行流的混合输入与输出。`comb` 矩阵是由 `hc_sinkhorn_iters` 次流形上的 Sinkhorn–Knopp 迭代生成的双随机投影，这使得信号在深层堆叠中的传播是非扩张的。最后，一个 `DeepseekV4HyperHead` 在模型归一化之前将 `hc_mult` 条流合并为单个序列。

### MoE 调度（§2.1）

路由通过 `config.mlp_layer_types` 按层进行配置，其取值来自 `{"hash_moe", "moe"}`：

* `"hash_moe"`：专家索引来自一个冻结的 `tid2eid[input_ids]` 查找表，该表由 V4 检查点填充。学习得到的门控 `weight` 仍然会生成用于加权所选专家的每个专家分数；只有 *选择哪些专家* 是静态的。用于最初几个自举层（默认为 3，可通过旧版 `num_hash_layers` 覆盖）。
* `"moe"`：标准的 top-k 路由 MoE。专家亲和度使用 **Sqrt(Softplus(·))** 代替 V3 中的 Sigmoid（“我们将计算亲和度分数的激活函数从 Sigmoid(·) 更改为 Sqrt(Softplus(·))”，论文 §2.1），并且去除了 V3 中的 `n_group` / `topk_group` 约束。无辅助损失策略（DeepSeek 的 `noaux_tc`）通过 `e_score_correction_bias` 缓冲区得以保留，该缓冲区对 top-k argmax 施加偏置，但不传播梯度。

路由专家在标准 Mixtral `[num_experts, 2 * moe_intermediate_size, hidden_size]` 专家权重布局之上，使用了带截断的 **clamped SwiGLU**（即 `gate.clamp(max=swiglu_limit)`、`up.clamp(min=-swiglu_limit, max=swiglu_limit)`，然后 `act_fn(gate) * up`）。一个共享专家（宽度为 `moe_intermediate_size` 的普通 SwiGLU MLP）会在每个 token 上并行运行。

### 注意力掩码布局

每个 `DeepseekV4Attention` 层都会沿键轴扩展标准的滑动窗口因果掩码，并加入由其压缩器返回的 `block_bias`，然后将拼接后的掩码传入 `eager_attention_forward`。滑动部分（左侧，`[S, S]`）对所有层类型均相同；压缩器部分（右侧）则因层类型而异，是 V4 引入的实际“新颖”组件。

下图使用极小的配置（`sliding_window=8`，CSA `m=4`，HCA `m'=8`，`index_topk=2`）在 16 个 token 的输入上生成，以便完整的逐层类型掩码能显示在屏幕上。绿色 = 滑动部分的 query/key 对角线，深色 = 可见的标准 KV 位置，浅色 = 被掩码，琥珀色 = query 允许注意的压缩器 / 索引器槽位。虚线之后的列由压缩器通过 `cat([sliding_causal_mask, block_bias], dim=-1)` 追加。

**仅滑动层（`"sliding_attention"`）。** 没有压缩器，也没有右侧填充——掩码是形状为 `[S, S]` 的普通滑动窗口因果掩码（窗口 = 8）。对于 `i ≥ window`，左下角的三角形被截断，从而恢复仅局部注意力的模式。

**CSA 层（`"compressed_sparse_attention"`）。** 压缩器将其按查询收集的输出展平为 `[B, 1, S·k, D]`，并将掩码右侧填充 `S·k` 列。对于查询 `t`，只有位于列 `[S + t·k, S + (t+1)·k)` 的 `k` 个槽位包含索引器的选择结果；压缩器的所有其他列均为 `-inf`。在第一个窗口关闭之前（`t < m − 1`）的查询不会获得任何结果——索引器的 `-1` 哨兵值会直接传播到掩码中。随着 `t` 增大，更多压缩条目准备就绪，索引器可以填满所有 `k` 个槽位。

**HCA 层（`"heavily_compressed_attention"`）。**没有索引器——每个已缓存的压缩条目都可能可见。右侧填充 `T_total = entry_count["compressor"]` 列。查询 `t` 仅在其源窗口关闭后才能看到条目 `w`，即 `w < (t + 1) // m`。此处 `m=8`，条目 0（覆盖位置 `0..7`）和条目 1（覆盖 `8..15`）分别在 `t ≥ 7` 和 `t ≥ 15` 时变为可见。

这些图表可以通过以下方式端到端复现：

```bash
python docs/source/en/imgs/deepseek_v4/visualize_attention_masks.py \
    --svg docs/source/en/imgs/deepseek_v4
```

该脚本在此小型配置上执行一次前向传播，包装每个注意力层以捕获精确的 `cat([attention_mask, block_bias])` 之后的掩码，将 CSA 的 `[S, S·k]` 扁平槽位掩码重新映射回 `[S, T_entries]` 条目可见性视图（因此每个 `C_w` 列是一个压缩的 *条目*，而非 gather 槽位），并生成上述三个 SVG。它还会向标准输出打印一个 ANSI 网格以便在终端中快速检查，并转储索引器针对每个查询的 top-k 选择，以便可以审计预热哨兵和选择结果。

### 缓存层

每个非滑动注意力块都需要在多次前向调用之间传递压缩器/索引器状态。V4 提供了两种缓存层类型，它们会自动注册到 `LAYER_TYPE_CACHE_MAPPING` 中：

* `DeepseekV4HCACache`：滑动窗口 K=V + HCA 压缩器缓冲区 / 池 / 计数（无重叠，无索引器）。
* `DeepseekV4CSACache`：滑动窗口 K=V + CSA 压缩器（含重叠状态）+ 在 `index_head_dim` 处的并行索引器缓冲区 / 池 / 计数 / 重叠。

`DynamicCache(config=…)` 会根据 `config.layer_types[i]` 构建相应的缓存层。

## DeepseekV4Config[[transformers.DeepseekV4Config]]

#### transformers.DeepseekV4Config[[transformers.DeepseekV4Config]]

```python
transformers.DeepseekV4Config(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 = 129280, hidden_size: int = 4096, moe_intermediate_size: int = 2048, num_hidden_layers: int = 43, num_attention_heads: int = 64, num_key_value_heads: int = 1, head_dim: int = 512, q_lora_rank: int = 1024, num_experts_per_tok: int = 6, n_routed_experts: int = 256, n_shared_experts: int = 1, scoring_func: str = 'sqrtsoftplus', norm_topk_prob: bool = True, routed_scaling_factor: float = 1.5, max_position_embeddings: int = 1048576, rope_theta: float | int = 10000.0, layer_types: list[str] | None = None, compress_rates: dict | None = None, compress_rope_theta: float | int = 160000.0, hc_mult: int = 4, hc_sinkhorn_iters: int = 20, hc_eps: float = 1e-06, mlp_layer_types: list[str] | None = None, swiglu_limit: float = 10.0, sliding_window: int = 128, o_groups: int = 8, o_lora_rank: int = 1024, index_n_heads: int = 64, index_head_dim: int = 128, index_topk: int = 512, num_nextn_predict_layers: int = 1, output_router_logits: bool = False, router_aux_loss_coef: float = 0.001, router_jitter_noise: float = 0.0, hidden_act: str = 'silu', initializer_range: float = 0.02, rms_norm_eps: float = 1e-06, use_cache: bool = True, pad_token_id: int | None = None, bos_token_id: int | None = 0, eos_token_id: int | list[int] | None = 1, tie_word_embeddings: bool = False, rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None, partial_rotary_factor: float | None = None, attention_bias: bool = False, mlp_bias: bool = False, attention_dropout: float = 0.0)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/deepseek_v4/configuration_deepseek_v4.py#L40)

**参数：**

vocab_size (`int`，*可选*，默认值为 `129280`)：模型的词汇表大小。定义了 `input_ids` 可以表示的不同 token 数量。

hidden_size (`int`，*可选*，默认为 `4096`)：隐藏表示的维度。

moe_intermediate_size (`int`，*可选*，默认为 `2048`)：路由专家 MLP 的中间层大小。

num_hidden_layers (`int`，*可选*，默认为 `43`)：Transformer 解码器中的隐藏层数。

num_attention_heads (`int`，*可选*，默认为 `64`)：Transformer 解码器中每个注意力层的注意力头数量。

num_key_value_heads (`int`, *可选*，默认为 `1`) : 这是用于实现 Grouped Query Attention 的 key_value 头数量。如果 `num_key_value_heads=num_attention_heads`，模型将使用 Multi Head Attention (MHA)；如果 `num_key_value_heads=1`，模型将使用 Multi Query Attention (MQA)；否则将使用 GQA。在将多头检查点转换为 GQA 检查点时，每个组的 key 和 value 头应通过对该组内所有原始头进行平均池化来构建。更多详情请参阅 [这篇论文](https://huggingface.co/papers/2305.13245)。如果未指定，则默认为 `num_attention_heads`。

head_dim (`int`, *可选*, 默认为 `512`) : 注意力头维度。如果为 None，则默认为 hidden_size // num_attention_heads

q_lora_rank (`int`，*可选*，默认为 `1024`)：查询投影的 LoRA 矩阵秩。

num_experts_per_tok (`int`，*可选*，默认为 `6`)：每个 token 路由到的专家数量。这是 token-choice 路由的 top-k 值。

n_routed_experts (`int`，*可选*，默认为 `256`)：路由专家的数量。

n_shared_experts (`int`，*可选*，默认为 `1`)：共享专家的数量。

scoring_func (`str`，*可选*，默认为 `sqrtsoftplus`)：路由器激活函数 — `sqrtsoftplus`、`softmax` 或 `sigmoid`。

norm_topk_prob (`bool`, *可选*, 默认为 `True`) : 是否对路由专家的权重进行归一化。

routed_scaling_factor (`float`，*可选*，默认为 `1.5`)：缩放因子或路由专家。

max_position_embeddings (`int`，*可选*，默认值为 `1048576`)：该模型可能使用的最大序列长度。

rope_theta (`Union[float, int]`，*可选*，默认为 `10000.0`)：主自注意力旋转的 RoPE 基础值。

layer_types (`list[str]`, *可选*) : 每层注意力调度，取值来自 `{"compressed_sparse_attention", "heavily_compressed_attention"}`。V4-Pro 默认值：2× HCA 引导 + 交错 CSA / HCA。

compress_rates (`dict[str, int]`) : 每层类型的压缩率。默认值为 `{"compressed_sparse_attention": 4, "heavily_compressed_attention": 128}`（CSA 的 m=4，HCA 的 m'=128，参见论文 §2.3.1 / §2.3.2）。BC：将 `compress_rate_csa` / `compress_rate_hca` 作为顶层 kwargs 提供的配置，会在 `__post_init__` 时合并进来。

compress_rope_theta (`Union[float, int]`，*可选*，默认为 `160000.0`)：压缩分支的 RoPE base（与 `rope_scaling` 配合用于 YaRN）。

hc_mult (`int`, *可选*，默认为 `4`)：流形约束超连接（mHC）扩展因子 n_hc（始终启用；第 2.2 节）。

hc_sinkhorn_iters (`int`, *可选*，默认为 `20`) : 用于将 mHC 残差映射投影到双随机矩阵的 Sinkhorn-Knopp 迭代次数 t_max。

hc_eps (`float`, *可选*, 默认为 `1e-06`) : Sinkhorn-Knopp 归一化的数值下限。

mlp_layer_types (`list[str]`, *可选*) : 每层 MoE 调度，取值来自 `{"hash_moe", "moe"}`。`hash_moe` 通过冻结的 `tid2eid[input_ids]` 查找进行路由（论文 §2.1，“Hash-MoE bootstrap”）；`moe` 是标准的 top-k 路由 MoE。默认值：前 3 层为 `hash_moe`，其余层为 `moe`。BC：将 `num_hash_layers` 作为顶层关键字参数提供的旧版配置会在 `__post_init__` 时合并进来。

swiglu_limit (`float`, *可选*, 默认为 `10.0`) : 裁剪路由专家的 gate/up 预激活值。

sliding_window (`int`，*可选*，默认为 `128`)：每个注意力块中滑动窗口分支使用的局部窗口大小 n_win。

o_groups (`int`，*可选*，默认为 `8`)：分组输出投影中的头组数 g（论文 §2.3.1，“Grouped Output Projection”）。

o_lora_rank (`int`, *可选*, 默认为 `1024`) : 分组输出投影中每个组的中间维度 d_g。

index_n_heads (`int`，*可选*，默认为 `64`)：索引器查询头数 n_h^I（论文 §2.3.1，公式 14）。

index_head_dim (`int`，*可选*，默认为 `128`)：索引器头维度 c^I（论文 §2.3.1）。

index_topk (`int`, *可选*，默认为 `512`)：Lightning Indexer 通过 top-k 为每个查询保留的压缩条目数量（论文 §2.3.1，公式 17）。

num_nextn_predict_layers (`int`, *可选*，默认为 `1`)：上游检查点中的 MTP 层数（此处未实例化）。

output_router_logits (`bool`，*可选*，默认为 `False`)：是否由模型返回路由器 logits。启用此选项后，模型还将输出辅助损失，包括负载均衡损失和路由器 z-loss。

router_aux_loss_coef (`float`, *可选*，默认为 `0.001`)：辅助负载均衡损失系数。用于惩罚 MoE 模型中专家路由的不均衡。

router_jitter_noise (`float`, *可选*, 默认为 `0.0`) : 在训练期间为路由器 logits 添加的噪声量，以实现更好的负载均衡。

hidden_act (`str`，*可选*，默认为 `silu`)：解码器中的非线性激活函数（函数或字符串）。例如，`"gelu"`、`"relu"`、`"silu"` 等。

initializer_range (`float`，*可选*，默认值为 `0.02`)：用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。

rms_norm_eps (`float`，*可选*，默认为 `1e-06`)：rms 归一化层使用的 epsilon。

use_cache (`bool`，*可选*，默认为 `True`)：模型是否应返回最后的键/值注意力（并非所有模型都使用）。仅当 `config.is_decoder=True` 或模型为仅解码器生成模型时相关。

pad_token_id (`int`, *可选*) : 词表中用于填充的 Token id。

bos_token_id (`int`，*可选*，默认为 `0`)：词汇表中用于表示流开始的 token id。

eos_token_id (`Union[int, list[int]]`，*可选*，默认为 `1`)：词汇表中用于表示流结束（end-of-stream）的 Token ID。

tie_word_embeddings (`bool`，*可选*，默认为 `False`)：是否根据模型的 `tied_weights_keys` 映射来绑定权重嵌入。

rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`, *可选*) : 包含 RoPE 嵌入配置参数的字典。该字典应包含 `rope_theta` 的值，并且如果希望使用更长的 `max_position_embeddings` 配合 RoPE，则可选地包含用于缩放的参数。

partial_rotary_factor (`float`, *可选*) : 应用 RoPE 的 head_dim 比例。默认值为 `qk_rope_head_dim / head_dim`，因此 cos/sin 的大小为 `qk_rope_head_dim`。

attention_bias (`bool`，*可选*，默认为 `False`)：在自注意力机制中，是否在查询、键、值和输出投影层中使用偏置。

mlp_bias (`bool`，*可选*，默认为 `False`)：是否在 MLP 层的 up_proj、down_proj 和 gate_proj 层中使用偏置。

attention_dropout (`float`, *可选*, 默认为 `0.0`) : 注意力概率的 dropout 比率。

这是用于存储 DeepseekV4Model 配置的类。它根据指定的参数实例化 Deepseek V4 模型，并定义模型架构。使用默认值实例化配置将生成与 [deepseek-ai/DeepSeek-V4-Flash-Base](https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Base) 类似的配置。

配置对象继承自 [PreTrainedConfig](/docs/transformers/v5.23.0/zh/main_classes/configuration#transformers.PreTrainedConfig)，可用于控制模型输出。有关更多信息，请参阅 [PreTrainedConfig](/docs/transformers/v5.23.0/zh/main_classes/configuration#transformers.PreTrainedConfig) 的文档。

#### validate_layer_type[[transformers.DeepseekV4Config.validate_layer_type]]

```python
validate_layer_type()
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/deepseek_v4/configuration_deepseek_v4.py#L214)

V4 在标准的长度/类型成员检查之上，将全局 `ALLOWED_LAYER_TYPES` 缩小为实际提供的三种注意力块类型和两种 MLP 块类型。

## DeepseekV4Model[[transformers.DeepseekV4Model]]

#### transformers.DeepseekV4Model[[transformers.DeepseekV4Model]]

```python
transformers.DeepseekV4Model(config: DeepseekV4Config)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/deepseek_v4/modeling_deepseek_v4.py#L1310)

**参数：**

config ([DeepseekV4Config](/docs/transformers/v5.23.0/zh/model_doc/deepseek_v4#transformers.DeepseekV4Config))：模型配置类，包含模型的所有参数。使用配置文件进行初始化时，不会加载与模型关联的权重，仅加载配置。请查看 [from_pretrained()](/docs/transformers/v5.23.0/zh/main_classes/model#transformers.PreTrainedModel.from_pretrained) 方法以加载模型权重。

未添加任何特定头部的裸 Deepseek V4 模型，直接输出原始隐藏状态。

该模型继承自 [PreTrainedModel](/docs/transformers/v5.23.0/zh/main_classes/model#transformers.PreTrainedModel)。请查阅父类文档，了解该库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头等）。

该模型也是 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) 的子类。请将其作为常规的 PyTorch Module 使用，有关通用用法和行为的所有事项，请参阅 PyTorch 文档。

#### forward[[transformers.DeepseekV4Model.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: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/deepseek_v4/modeling_deepseek_v4.py#L1328)

**参数：**

input_ids (`torch.LongTensor`，形状为 `(batch_size, sequence_length)`，*可选*)：输入序列中 token 在词汇表中的索引。默认情况下，填充（padding）将被忽略。可以使用 [AutoTokenizer](/docs/transformers/v5.23.0/zh/model_doc/auto#transformers.AutoTokenizer) 获取索引。有关详细信息，请参阅 [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/zh/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 和 [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/zh/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)。[什么是输入 ID？](../glossary#input-ids)

attention_mask (`torch.Tensor`，形状为 `(batch_size, sequence_length)`，*可选*)：用于避免对填充（padding）标记索引执行注意力机制的掩码。掩码值取自 `[0, 1]`： - 1 表示**未掩码**的标记， - 0 表示**已掩码**的标记。 [什么是注意力掩码？](../glossary#attention-mask)

position_ids (`torch.LongTensor`，形状为 `(batch_size, sequence_length)`，*可选*)：输入序列中每个 token 在位置嵌入中的位置索引。取值范围为 `[0, config.n_positions - 1]`。[什么是位置 ID？](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`，*可选*)：预计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常由模型在解码的先前阶段返回的 `past_key_values` 组成，前提是 `use_cache=True` 或 `config.use_cache=True`。 仅允许 [Cache](/docs/transformers/v5.23.0/zh/internal/generation_utils#transformers.Cache) 实例作为输入，请参阅我们的 [kv cache guide](https://huggingface.co/docs/transformers/en/kv_cache)。如果未传入 `past_key_values`，则默认初始化 [DynamicCache](/docs/transformers/v5.23.0/zh/internal/generation_utils#transformers.DynamicCache)。 模型将输出与输入相同的缓存格式。 如果使用 `past_key_values`，则用户预期仅输入未处理的 `input_ids`（即未向此模型提供其过去键值状态的那些），其形状为 `(batch_size, unprocessed_length)`，而不是形状为 `(batch_size, sequence_length)` 的所有 `input_ids`。

inputs_embeds (`torch.Tensor`，形状为 `(batch_size, sequence_length, hidden_size)`，*可选*)：可选地，你可以选择直接传入嵌入表示，而不是传入 `input_ids`。如果你希望比模型内部的嵌入查找矩阵更精细地控制如何将 `input_ids` 索引转换为对应的向量，这将非常有用。

use_cache (`bool`，*可选*)：如果设置为 `True`，则会返回 `past_key_values` 键值状态，可用于加速解码（参见 `past_key_values`）。

**返回：** `MoeModelOutputWithPast` 或 `tuple(torch.Tensor)`

`MoeModelOutputWithPast` 或 `torch.Tensor` 元组（如果传入 `return_dict=False` 或 `config.return_dict=False`），其包含的元素取决于配置（[DeepseekV4Config](/docs/transformers/v5.23.0/zh/model_doc/deepseek_v4#transformers.DeepseekV4Config)）和输入。

[DeepseekV4Model](/docs/transformers/v5.23.0/zh/model_doc/deepseek_v4#transformers.DeepseekV4Model) 的 forward 方法会重写 `__call__` 特殊方法。

尽管前向传播的实现需要在此函数中定义，但之后应调用 `Module` 实例，而不是直接调用此函数，因为前者会负责执行预处理和后处理步骤，而后者会静默地忽略这些步骤。

- **last_hidden_state**（形状为 `(batch_size, sequence_length, hidden_size)` 的 `torch.Tensor`）-- 模型最后一层输出的隐藏状态序列。
- **past_key_values**（`Cache`，*可选*，在传入 `use_cache=True` 或 `config.use_cache=True` 时返回）—— 它是一个 [Cache](/docs/transformers/v5.23.0/zh/internal/generation_utils#transformers.Cache) 实例。更多详情，请参阅我们的 [kv cache 指南](https://huggingface.co/docs/transformers/en/kv_cache)。

  包含预计算的隐藏状态（自注意力块中的键和值，以及如果 `config.is_encoder_decoder=True` 则还包括交叉注意力块中的键和值），可用于（参见 `past_key_values` 输入）加速顺序解码。
- **hidden_states** (`tuple(torch.Tensor)`，*可选*，在传入 `output_hidden_states=True` 或 `config.output_hidden_states=True` 时返回) -- 一个 `torch.Tensor` 元组（如果模型具有嵌入层，则包含嵌入层的输出，以及每一层的输出），形状为 `(batch_size, sequence_length, hidden_size)`。

  模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。
- **attentions** (`tuple(torch.Tensor)`，*可选*，当传入 `output_attentions=True` 或 `config.output_attentions=True` 时返回) -- 一个 `torch.Tensor` 元组（每层一个），形状为 `(batch_size, num_heads, sequence_length, sequence_length)`。

  经过注意力 softmax 后的注意力权重，用于在自注意力头中计算加权平均值。
- **router_logits** (`tuple(torch.Tensor)`，*可选*，当传入 `output_router_probs=True` 且 `config.add_router_probs=True`，或当 `config.output_router_probs=True` 时返回) -- 一个 `torch.Tensor` 元组（每层一个），形状为 `(batch_size, sequence_length, num_experts)`。

  由 MoE 路由器计算的原始路由器 logits（softmax 之后），这些术语用于计算混合专家模型的辅助损失。

## DeepseekV4ForCausalLM[[transformers.DeepseekV4ForCausalLM]]

#### transformers.DeepseekV4ForCausalLM[[transformers.DeepseekV4ForCausalLM]]

```python
transformers.DeepseekV4ForCausalLM(config: DeepseekV4Config)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/deepseek_v4/modeling_deepseek_v4.py#L1458)

**参数：**

config ([DeepseekV4Config](/docs/transformers/v5.23.0/zh/model_doc/deepseek_v4#transformers.DeepseekV4Config))：模型配置类，包含模型的所有参数。使用配置文件进行初始化时，不会加载与模型关联的权重，仅加载配置。请查看 [from_pretrained()](/docs/transformers/v5.23.0/zh/main_classes/model#transformers.PreTrainedModel.from_pretrained) 方法以加载模型权重。

用于因果语言建模的 Deepseek V4 模型。

该模型继承自 [PreTrainedModel](/docs/transformers/v5.23.0/zh/main_classes/model#transformers.PreTrainedModel)。请查阅父类文档，了解该库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头等）。

该模型也是 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) 的子类。请将其作为常规的 PyTorch Module 使用，有关通用用法和行为的所有事项，请参阅 PyTorch 文档。

#### forward[[transformers.DeepseekV4ForCausalLM.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, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, output_router_logits: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/deepseek_v4/modeling_deepseek_v4.py#L1476)

**参数：**

input_ids (`torch.LongTensor`，形状为 `(batch_size, sequence_length)`，*可选*)：输入序列中 token 在词汇表中的索引。默认情况下，填充（padding）将被忽略。可以使用 [AutoTokenizer](/docs/transformers/v5.23.0/zh/model_doc/auto#transformers.AutoTokenizer) 获取索引。有关详细信息，请参阅 [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/zh/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 和 [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/zh/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)。[什么是输入 ID？](../glossary#input-ids)

attention_mask (`torch.Tensor`，形状为 `(batch_size, sequence_length)`，*可选*)：用于避免对填充（padding）标记索引执行注意力机制的掩码。掩码值取自 `[0, 1]`： - 1 表示**未掩码**的标记， - 0 表示**已掩码**的标记。 [什么是注意力掩码？](../glossary#attention-mask)

position_ids (`torch.LongTensor`，形状为 `(batch_size, sequence_length)`，*可选*)：输入序列中每个 token 在位置嵌入中的位置索引。取值范围为 `[0, config.n_positions - 1]`。[什么是位置 ID？](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`，*可选*)：预计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常由模型在解码的先前阶段返回的 `past_key_values` 组成，前提是 `use_cache=True` 或 `config.use_cache=True`。 仅允许 [Cache](/docs/transformers/v5.23.0/zh/internal/generation_utils#transformers.Cache) 实例作为输入，请参阅我们的 [kv cache guide](https://huggingface.co/docs/transformers/en/kv_cache)。如果未传入 `past_key_values`，则默认初始化 [DynamicCache](/docs/transformers/v5.23.0/zh/internal/generation_utils#transformers.DynamicCache)。 模型将输出与输入相同的缓存格式。 如果使用 `past_key_values`，则用户预期仅输入未处理的 `input_ids`（即未向此模型提供其过去键值状态的那些），其形状为 `(batch_size, unprocessed_length)`，而不是形状为 `(batch_size, sequence_length)` 的所有 `input_ids`。

inputs_embeds (`torch.Tensor`，形状为 `(batch_size, sequence_length, hidden_size)`，*可选*)：可选地，你可以选择直接传入嵌入表示，而不是传入 `input_ids`。如果你希望比模型内部的嵌入查找矩阵更精细地控制如何将 `input_ids` 索引转换为对应的向量，这将非常有用。

labels (`torch.LongTensor`，形状为 `(batch_size, sequence_length)`，*可选*) : 用于计算因果语言建模损失的标签。索引应在 `[-100, 0, ..., config.vocab_size]` 范围内（参见 `input_ids` 的文档字符串）。索引设置为 `-100` 的 token 将被忽略（被掩码），损失仅针对标签在 `[0, ..., config.vocab_size]` 范围内的 token 进行计算。 标签会在**内部进行移位**，因此使用 `labels[..., 1:]` 来预测 `logits[..., :-1, :]`。请传入与 `input_ids` 匹配的未移位标签（即 `labels = input_ids`）。在传入之前，请**不要**自行对标签进行移位。 如果标签已经移位（例如在使用序列并行时），请将其作为 `shift_labels` 关键字参数传入，系统将按原样使用它们。 为了计算损失，仍然必须传入 `labels`。

use_cache (`bool`，*可选*)：如果设置为 `True`，则会返回 `past_key_values` 键值状态，可用于加速解码（参见 `past_key_values`）。

output_router_logits (`bool`, *可选*) : 是否返回所有路由器的 logits。它们对于计算路由器损失很有用，在推理期间不应返回。

logits_to_keep (`Union[int, torch.Tensor]`，*可选*，默认为 `0`)：如果为 `int`，则计算最后 `logits_to_keep` 个 token 的 logits。如果为 `0`，则计算所有 `input_ids` 的 logits（特殊情况）。生成过程只需要最后一个 token 的 logits，仅针对该 token 进行计算可以节省内存，对于长序列或大词汇量而言，这种节省相当可观。如果为 `torch.Tensor`，则必须是一维张量，对应于序列长度维度中需要保留的索引。这在使用打包张量格式（将批次和序列长度合并为单一维度）时非常有用。

**返回：** `MoeCausalLMOutputWithPast` 或 `tuple(torch.Tensor)`

`MoeCausalLMOutputWithPast` 或 `torch.Tensor` 元组（如果传入 `return_dict=False` 或 `config.return_dict=False`），其包含的元素取决于配置（[DeepseekV4Config](/docs/transformers/v5.23.0/zh/model_doc/deepseek_v4#transformers.DeepseekV4Config)）和输入。

[DeepseekV4ForCausalLM](/docs/transformers/v5.23.0/zh/model_doc/deepseek_v4#transformers.DeepseekV4ForCausalLM) 的 forward 方法重写了 `__call__` 特殊方法。

尽管前向传播的实现需要在此函数中定义，但之后应调用 `Module` 实例，而不是直接调用此函数，因为前者会负责执行预处理和后处理步骤，而后者会静默地忽略这些步骤。

- **loss** (`torch.Tensor`，形状为 `(1,)`，*可选*，当提供 `labels` 时返回) -- 语言建模损失（用于下一个 token 预测）。
- **logits**（形状为 `(batch_size, sequence_length, config.vocab_size)` 的 `torch.Tensor`）-- 语言建模头的预测分数（SoftMax 之前每个词汇表 token 的分数）。
- **aux_loss** (`torch.Tensor`，*可选*，当传入 `output_router_logits=True` 或 `config.output_router_logits=True`，且模型使用负载均衡损失训练其路由器时返回) -- 稀疏模块的负载均衡辅助损失。使用路由器偏差来平衡其专家的模型（DeepSeek-V3 及由其衍生的架构）在此处返回 `None`，但仍会返回 `router_logits`。
- **router_logits** (`tuple(torch.Tensor)`，*可选*，在传入 `output_router_logits=True` 或 `config.output_router_logits=True` 时返回) -- 一个 `torch.Tensor` 元组（每个稀疏层对应一个），形状为 `(batch_size * sequence_length, num_experts)`。

  由 MoE 路由器计算的原始路由器 logits。可用于计算负载均衡损失，或检查 token 如何被分发到各个专家。
- **past_key_values**（`Cache`，*可选*，在传入 `use_cache=True` 或 `config.use_cache=True` 时返回）—— 它是一个 [Cache](/docs/transformers/v5.23.0/zh/internal/generation_utils#transformers.Cache) 实例。更多详情，请参阅我们的 [kv cache 指南](https://huggingface.co/docs/transformers/en/kv_cache)。

  包含预计算的隐藏状态（自注意力块中的键和值），可用于（参见 `past_key_values` 输入）加速顺序解码。
- **hidden_states** (`tuple(torch.Tensor)`，*可选*，在传入 `output_hidden_states=True` 或 `config.output_hidden_states=True` 时返回) -- 一个 `torch.Tensor` 元组（如果模型具有嵌入层，则包含嵌入层的输出，以及每一层的输出），形状为 `(batch_size, sequence_length, hidden_size)`。

  模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。
- **attentions** (`tuple(torch.Tensor)`，*可选*，当传入 `output_attentions=True` 或 `config.output_attentions=True` 时返回) -- 一个 `torch.Tensor` 元组（每层一个），形状为 `(batch_size, num_heads, sequence_length, sequence_length)`。

  经过注意力 softmax 后的注意力权重，用于在自注意力头中计算加权平均值。

示例：

```python
>>> from transformers import AutoTokenizer, DeepseekV4ForCausalLM

>>> model = DeepseekV4ForCausalLM.from_pretrained("mistralai/DeepseekV4-8x7B-v0.1")
>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/DeepseekV4-8x7B-v0.1")

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

>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"Hey, are you conscious? Can you talk to me?\nI'm not conscious, but I can talk to you."
```

