Transformers documentation
SarvamMoE
Model ini disumbangkan ke Hugging Face Transformers pada 2026-11-20.
SarvamMoE
SarvamMoE adalah arsitektur dari Sarvam-30B, sebuah model bahasa Mixture of Experts (MoE) dengan 30B parameter yang dikembangkan oleh Sarvam AI. Versi yang lebih besar, Sarvam-105B, menggunakan SarvamMLA.
Fitur arsitektur utama:
- Grouped-query attention dengan normalisasi QK dan rotary position embeddings penuh.
- Sparse Mixture of Experts: 128 pakar yang dirutekan dengan 6 aktif per token, ditambah 1 pakar bersama. Lapisan pertama menggunakan MLP padat.
- Perutean sigmoid dengan koreksi bias pakar dan faktor penskalaan rute.
Arsitekturnya sama dengan GLM-4-MoE, dengan nama parameter dan config yang berbeda. Kelas auto memuatnya dengan implementasi GLM-4-MoE (Glm4MoeModel dan Glm4MoeForCausalLM), sehingga hanya SarvamMoEConfig yang spesifik untuk SarvamMoE. Checkpoint yang dirilis dikonversi ke nama GLM-4-MoE saat dimuat dan dikembalikan saat disimpan.
Contoh di bawah ini menunjukkan cara menghasilkan teks dengan kelas AutoModelForCausalLM.
from transformers import AutoModelForCausalLM, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("sarvamai/sarvam-30b")
model = AutoModelForCausalLM.from_pretrained("sarvamai/sarvam-30b", device_map="auto")
messages = [{"role": "user", "content": "Explain the Pythagorean theorem in one sentence."}]
inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt", return_dict=True)
output = model.generate(**inputs.to(model.device), max_new_tokens=64)
print(tokenizer.decode(output[0][inputs["input_ids"].shape[1] :], skip_special_tokens=True))SarvamMoEConfig
kelas transformers.SarvamMoEConfig
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonevocab_size: int = 262144hidden_size: int = 4096intermediate_size: int = 8192num_hidden_layers: int = 19num_attention_heads: int = 64num_key_value_heads: int = 4hidden_act: str = 'silu'max_position_embeddings: int = 131072initializer_range: float = 0.006rms_norm_eps: float = 1e-06use_cache: bool = Truetie_word_embeddings: bool = Falserope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = Noneattention_bias: bool = Falseattention_dropout: float | int = 0.0moe_intermediate_size: int = 1024num_experts_per_tok: int = 6output_router_logits: bool = Falsen_shared_experts: int = 1n_routed_experts: int = 128routed_scaling_factor: float = 2.5n_group: int = 1topk_group: int = 1first_k_dense_replace: int = 1norm_topk_prob: bool = Trueuse_qk_norm: bool = Truebos_token_id: int | None = Noneeos_token_id: int | list[int] | None = 1pad_token_id: int | None = 0num_mtp_layers: int = 0head_dim: int = 64 )
Parameter
- vocab_size (
int, opsional, default262144) — Ukuran kosakata model. Menentukan jumlah token berbeda yang dapat direpresentasikan olehinput_ids. - hidden_size (
int, opsional, default4096) — Dimensi dari representasi tersembunyi. - intermediate_size (
int, opsional, default8192) — Dimensi representasi MLP. - num_hidden_layers (
int, opsional, default19) — Jumlah lapisan tersembunyi dalam decoder Transformer. - num_attention_heads (
int, opsional, default64) — Jumlah attention head untuk setiap lapisan attention di decoder Transformer. - num_key_value_heads (
int, opsional, default4) — Ini adalah jumlah key_value heads yang harus digunakan untuk mengimplementasikan Grouped Query Attention. Jikanum_key_value_heads=num_attention_heads, model akan menggunakan Multi Head Attention (MHA), jikanum_key_value_heads=1model akan menggunakan Multi Query Attention (MQA), selain itu GQA yang digunakan. Saat mengkonversi checkpoint multi-head menjadi checkpoint GQA, setiap group key dan value head harus dibangun dengan meanpooling semua head asli di dalam group tersebut. Untuk detail lebih lanjut, lihat paper ini. Jika tidak ditentukan, akan default kenum_attention_heads. - hidden_act (
str, opsional, defaultnyasilu) — Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya,"gelu","relu","silu", dan sebagainya. - max_position_embeddings (
int, opsional, default131072) — Panjang maksimum urutan yang mungkin digunakan dengan model ini. - initializer_range (
float, opsional, defaultnya0.006) — Standar deviasi dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot. - rms_norm_eps (
float, opsional, defaultnya1e-06) — Epsilon yang digunakan oleh lapisan normalisasi rms. - use_cache (
bool, opsional, defaultnyaTrue) — Apakah model harus mengembalikan perhatian kunci/nilai terakhir (tidak digunakan oleh semua model). Hanya relevan jikaconfig.is_decoder=Trueatau ketika model adalah model generatif yang hanya decoder. - tie_word_embeddings (
bool, opsional, defaultFalse) — Apakah akan mengikat bobot embedding sesuai dengan pemetaantied_weights_keysmodel. - rope_parameters (
Union[~modeling_rope_utils.RopeParameters, dict], opsional) — Kamus yang berisi parameter konfigurasi untuk embedding RoPE. Kamus tersebut harus berisi nilai untukrope_thetadan secara opsional parameter yang digunakan untuk penskalaan jika Anda ingin menggunakan RoPE denganmax_position_embeddingsyang lebih panjang. - attention_bias (
bool, opsional, defaultFalse) — Apakah akan menggunakan bias pada lapisan proyeksi query, key, value, dan output selama self-attention. - attention_dropout (
Union[float, int], opsional, default0.0) — Rasio dropout untuk probabilitas perhatian. - moe_intermediate_size (
int, opsional, default1024) — Ukuran intermediate dari MLP expert yang di-rutekan. - num_experts_per_tok (
int, opsional, default6) — Jumlah expert yang akan menerima setiap token. Ini adalah nilai top-k untuk token-choice routing. - output_router_logits (
bool, opsional, defaultFalse) — Apakah logits router harus dikembalikan oleh model. Mengaktifkan ini juga akan memungkinkan model untuk mengoutput loss tambahan, termasuk load balancing loss dan router z-loss. - n_shared_experts (
int, opsional, defaultnya1) — Jumlah expert yang dibagikan. - n_routed_experts (
int, opsional, default128) — Jumlah expert yang dirutekan. - routed_scaling_factor (
float, opsional, defaultnya2.5) — Faktor penskalaan untuk pakar yang di-rutekan. - n_group (
int, opsional, default 1) — Jumlah grup untuk pakar yang dirutekan. - topk_group (
int, opsional, default1) — Jumlah grup yang dipilih untuk setiap token (untuk setiap token, memastikan pakar yang dipilih hanya berada di dalamtopk_groupgrup). - first_k_dense_replace (
int, opsional, default 1) — Jumlah lapisan dense pada lapisan dangkal (embed->dense->moe->moe…->lm_head). --k lapisan dense—/ - norm_topk_prob (
bool, opsional, defaultTrue) — Apakah akan menormalisasi bobot dari para ahli yang dirutekan. - use_qk_norm (
bool, opsional, defaultTrue) — Apakah akan menggunakan normalisasi query-key dalam perhatian. - bos_token_id (
int, opsional) — ID token yang digunakan untuk awal aliran (beginning-of-stream) dalam kosakata. - eos_token_id (
Union[int, list[int]], opsional, default1) — ID token yang digunakan untuk end-of-stream dalam kosakata. - pad_token_id (
int, opsional, default0) — ID token yang digunakan untuk padding dalam kosakata. - num_mtp_layers (
int, opsional, default 0) — Jumlah modul Multi-Token Prediction (MTP) yang tersedia untuk ditambahkan setelah model transformer dasar. Checkpoint yang dirilis tidak mencakup bobot MTP. - head_dim (
int, opsional, default64) — Dimensi head perhatian. Jika None, nilainya akan default ke hidden_size // num_attention_heads
Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari Glm4MoeModel. Kelas ini digunakan untuk menginstansiasi model Sarvam Moe sesuai dengan argumen yang ditentukan, yang mendefinisikan arsitektur model. Menginstansiasi konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari sarvamai/sarvam-30b
Objek konfigurasi mewarisi dari PreTrainedConfig dan dapat digunakan untuk mengontrol output model. Baca dokumentasi dari PreTrainedConfig untuk informasi lebih lanjut.
Contoh:
>>> from transformers import AutoModelForCausalLM, SarvamMoEConfig
>>> # Initializing a Sarvam-30B style configuration
>>> configuration = SarvamMoEConfig()
>>> # Initializing a model (which uses the GLM-4-MoE implementation) from that configuration
>>> model = AutoModelForCausalLM.from_config(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config