# DeepSeek-V4

[DeepSeek-V4](https://huggingface.co/deepseek-ai) es el modelo de lenguaje MoE de próxima generación de DeepSeek ([paper](https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash/blob/main/DeepSeek_V4.pdf)). La arquitectura reemplaza el Multi-head Latent Attention (MLA) de DeepSeek-V3 por un diseño híbrido de alcance local + largo, sustituye las conexiones residuales por Manifold-Constrained Hyper-Connections (mHC) y arranca las primeras capas MoE con una tabla de hash estática de token-id → expert-id.

Esta implementación cubre `DeepSeek-V4-Flash`, `DeepSeek-V4-Pro` y sus variantes preentrenadas `-Base`. Las cuatro comparten la misma arquitectura; solo difieren en anchura / profundidad / número de expertos y en los pesos.

> [!TIP]
> Establezca `use_kernels=True` en [from_pretrained()](/docs/transformers/v5.23.0/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para reemplazar las capas compatibles con kernels optimizados del Hub. Consulte [Carga de kernels](../kernel_doc/loading_kernels) para obtener más información.

## Architecture (paper §2)

### Atención híbrida (§2.3)

Cada bloque decodificador es uno de tres tipos de atención, asignado por `config.layer_types[i]`:

* **Atención completa con ventana deslizante** (`"sliding_attention"`): solo la ventana local de `sliding_window` tokens, sin rama de largo alcance. Coincide con el estilo "Full Attention" de V3 para las capas de arranque.
* **Compressed Sparse Attention** (`"compressed_sparse_attention"`, **CSA** — paper §2.3.1): un pool de baja compresión (`compress_rate_csa`, valor predeterminado `m=4`) con ventanas superpuestas, más un **Lightning Indexer** (ec. 13–17) que puntúa las consultas contra el pool y recopila los `index_topk` bloques principales por consulta antes de que lleguen a la atención central.
* **Atención fuertemente comprimida** (`"heavily_compressed_attention"`, **HCA** — sección 2.3.2 del artículo): un pool de alta compresión (`compress_rate_hca`, valor predeterminado `m'=128`) con ventanas que no se solapan. Sin indexer: cada entrada del pool contribuye a la atención.

Los tres tipos comparten el mismo esqueleto:

* **Atención multiconsulta con K=V compartidos**: `num_key_value_heads = 1`; `kv_proj` produce una única cabeza KV y el mismo tensor se lee como clave y como valor.
* **RoPE parcial** (interleaved-pair, §2.3.3 del artículo, "Partial Rotary Positional Embedding") en los `qk_rope_head_dim = head_dim * partial_rotary_factor` canales finales de cada cabeza. Se aplica la misma rotación con la posición `-i` a la porción de rope de la salida de atención (ec. 26) para que la contribución de cada entrada KV siga siendo una función de la distancia *relativa* a la consulta.
* **Sumidero de atención aprendible por cabeza** (ec. 27).
* **Proyección de salida de bajo rango agrupada** (§2.3.1 "Grouped Output Projection"): `o_groups` grupos de cabezas → `o_lora_rank` por grupo → `hidden_size`, calculada por `DeepseekV4GroupedLinear` (`o_a_proj`) seguida de `o_b_proj`. Reduce el coste por token de la salida de atención ancha sin perder expresividad.
* La **rama compartida de K=V con ventana deslizante** de tamaño `sliding_window` ("Additional Branch of Sliding Window Attention", §2.3.1) preserva las dependencias locales de grano fino; la salida del compresor de largo alcance se concatena con las KVs de esta rama antes de la atención principal.

### Hiperconexiones con restricciones de variedad (§2.2)

Las conexiones residuales se sustituyen por mHC (Xie et al., 2026): `hc_mult` flujos residuales paralelos que se mantienen en la forma `[B, S, hc_mult, D]` a lo largo de cada bloque. Dos módulos `DeepseekV4HyperConnection` — `attn_hc` y `ffn_hc` — mezclan los flujos de entrada y salida alrededor de las subcapas de atención / MLP mediante una tripleta `(pre, post, comb)`. La matriz `comb` es una proyección doblemente estocástica generada por iteraciones de Sinkhorn–Knopp `hc_sinkhorn_iters` sobre la variedad, lo que hace que la propagación de la señal sea no expansiva a través de pilas profundas. Un `DeepseekV4HyperHead` final reduce los `hc_mult` flujos a una única secuencia antes de la normalización del modelo.

### Programa de MoE (§2.1)

La enrutación se configura por capa mediante `config.mlp_layer_types`, con valores de `{"hash_moe", "moe"}`:

* `"hash_moe"`: los índices de expertos provienen de una búsqueda congelada `tid2eid[input_ids]` poblada desde el checkpoint de V4. El `weight` de la puerta aprendida sigue generando las puntuaciones por experto que ponderan a los expertos seleccionados; solo *qué expertos* es estático. Se utiliza para las primeras capas de arranque (por defecto 3, se puede sobrescribir mediante el parámetro heredado `num_hash_layers`).
* `"moe"`: MoE con enrutamiento top-k estándar. La afinidad de los expertos utiliza **Sqrt(Softplus(·))** en lugar del Sigmoid de V3 («cambiamos la función de activación que calcula las puntuaciones de afinidad de Sigmoid(·) a Sqrt(Softplus(·))», §2.1 del artículo), y se elimina la restricción `n_group` / `topk_group` de V3. La estrategia sin pérdida auxiliar (`noaux_tc` de DeepSeek) se conserva mediante el búfer `e_score_correction_bias`, que sesga el argmax top-k sin propagar gradientes.

Los expertos enrutados utilizan un **SwiGLU con recorte** (`gate.clamp(max=swiglu_limit)`, `up.clamp(min=-swiglu_limit, max=swiglu_limit)` y luego `act_fn(gate) * up`) sobre la disposición estándar de pesos de expertos de Mixtral `[num_experts, 2 * moe_intermediate_size, hidden_size]`. Un único experto compartido (un MLP SwiGLU simple con un ancho de `moe_intermediate_size`) se ejecuta en paralelo para cada token.

### Distribución de la máscara de atención

Cada capa `DeepseekV4Attention` extiende la máscara causal de ventana deslizante estándar a lo largo del eje de claves con un `block_bias` devuelto por su compresor y, a continuación, pasa la máscara concatenada a `eager_attention_forward`. La sección deslizante (izquierda, `[S, S]`) es la misma para todos los tipos de capa; la sección del compresor (derecha) varía según el tipo de capa y es la parte realmente "novedosa" introducida por V4.

Los diagramas siguientes se generaron con una configuración mínima (`sliding_window=8`, CSA `m=4`, HCA `m'=8`, `index_topk=2`) sobre una entrada de 16 tokens para que la máscara completa por tipo de capa quepa en pantalla. Verde = la diagonal de consulta/clave en la sección deslizante, oscuro = una posición estándar de KV visible, claro = enmascarado, ámbar = un slot de compresor / indexador al que la consulta puede atender. Las columnas después de la línea discontinua se añaden mediante el compresor con `cat([sliding_causal_mask, block_bias], dim=-1)`.

**Capa solo deslizante (`"sliding_attention"`).** Sin compresor, sin relleno a la derecha: la máscara es la máscara causal de ventana deslizante simple de forma `[S, S]` (ventana = 8). Para `i ≥ window`, se recorta el triángulo inferior izquierdo, recuperando el patrón de atención solo local.

**Capa CSA (`"compressed_sparse_attention"`).** El compresor aplana su salida recopilada por consulta a `[B, 1, S·k, D]` y rellena la máscara a la derecha con `S·k` columnas. Para la consulta `t`, solo las `k` posiciones de las columnas `[S + t·k, S + (t+1)·k)` contienen las selecciones del indexador; todas las demás columnas del compresor son `-inf`. Las consultas anteriores al cierre de la primera ventana (`t < m − 1`) no reciben nada: el valor centinela `-1` del indexador se propaga directamente a la máscara. A medida que `t` aumenta, hay más entradas comprimidas listas y el indexador puede completar todas las `k` posiciones.

**Capa HCA (`"heavily_compressed_attention"`).** No hay un indexer: cada entrada comprimida en caché es potencialmente visible. Se rellena a la derecha con `T_total = entry_count["compressor"]` columnas. La consulta `t` solo puede ver la entrada `w` una vez que su ventana de origen se ha cerrado, es decir, `w < (t + 1) // m`. Con `m=8` aquí, las entradas 0 (cubre las posiciones `0..7`) y 1 (cubre `8..15`) solo se vuelven visibles en `t ≥ 7` y `t ≥ 15`, respectivamente.

Estos diagramas son reproducibles de principio a fin mediante:

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

El script ejecuta una pasada hacia adelante con esta configuración diminuta, envuelve cada capa de atención para capturar la máscara exacta posterior a `cat([attention_mask, block_bias])`, remapea la máscara de ranuras planas `[S, S·k]` de CSA a una vista de visibilidad de entradas `[S, T_entries]` (de modo que cada columna `C_w` sea una *entrada* comprimida, no una ranura de recopilación) y escribe los tres SVG anteriores. También imprime una cuadrícula ANSI en stdout para una inspección rápida en la terminal y volca las selecciones top-k por consulta del indexador, de modo que los centinelas de calentamiento y las opciones de selección sean auditables.

### Capas de caché

Cada bloque de atención no deslizante debe transmitir el estado del compresor / indexador entre las llamadas de forward. V4 incluye dos tipos de capa de caché que se registran automáticamente con `LAYER_TYPE_CACHE_MAPPING`:

* `DeepseekV4HCACache`: ventana deslizante K=V + búfer/pool/contador del compresor HCA (sin solapamiento, sin indexador).
* `DeepseekV4CSACache`: ventana deslizante K=V + compresor CSA (con estado de solapamiento) + búfer / pool / recuento / solapamiento del indexador paralelo en `index_head_dim`.

`DynamicCache(config=…)` construye la capa de caché adecuada para cada `config.layer_types[i]`.

## 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)
```

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

**Parámetros:**

vocab_size (`int`, *opcional*, valor predeterminado `129280`) : Tamaño del vocabulario del modelo. Define el número de tokens diferentes que pueden representarse mediante `input_ids`.

hidden_size (`int`, *opcional*, valor predeterminado `4096`) : Dimensión de las representaciones ocultas.

moe_intermediate_size (`int`, *opcional*, valor predeterminado `2048`) : Tamaño intermedio de los MLP de expertos enrutados.

num_hidden_layers (`int`, *opcional*, valor predeterminado `43`) : Número de capas ocultas en el decodificador del Transformer.

num_attention_heads (`int`, *opcional*, valor predeterminado `64`) : Número de cabezas de atención para cada capa de atención en el decodificador del Transformer.

num_key_value_heads (`int`, *opcional*, valor predeterminado `1`) : 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 de multi-head a un checkpoint de 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, consulta [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 `512`) : La dimensión de la cabeza de atención. Si es None, se establecerá en hidden_size // num_attention_heads

q_lora_rank (`int`, *opcional*, valor predeterminado `1024`) : Rango de las matrices LoRA para las proyecciones de consulta.

num_experts_per_tok (`int`, *opcional*, valor predeterminado `6`) : Número de expertos a los que se enruta cada token. Este es el valor top-k para el enrutamiento de selección de tokens.

n_routed_experts (`int`, *opcional*, valor predeterminado `256`) : Número de expertos enrutados.

n_shared_experts (`int`, *opcional*, valor predeterminado `1`) : Número de expertos compartidos.

scoring_func (`str`, *opcional*, valor predeterminado `sqrtsoftplus`) : Activación del router — `sqrtsoftplus`, `softmax` o `sigmoid`.

norm_topk_prob (`bool`, *opcional*, valor predeterminado `True`) : Si se normalizan los pesos de los expertos enrutados.

routed_scaling_factor (`float`, *opcional*, valor predeterminado `1.5`) : Factor de escala o expertos enrutados.

max_position_embeddings (`int`, *opcional*, valor predeterminado `1048576`) : La longitud máxima de secuencia con la que se podría utilizar este modelo.

rope_theta (`Union[float, int]`, *opcional*, valor predeterminado `10000.0`) : Base de RoPE para la rotación principal de autoatención.

layer_types (`list[str]`, *opcional*) : Programa de atención por capa con valores de `{"compressed_sparse_attention", "heavily_compressed_attention"}`. Predeterminado de V4-Pro: 2× HCA bootstrap + CSA / HCA intercalados.

compress_rates (`dict[str, int]`) : Tasa de compresión por tipo de capa. Valor predeterminado `{"compressed_sparse_attention": 4, "heavily_compressed_attention": 128}` (m=4 para CSA, m'=128 para HCA, papel §2.3.1 / §2.3.2). BC: las configuraciones que incluyen `compress_rate_csa` / `compress_rate_hca` como argumentos de nivel superior se integran en el momento de `__post_init__`.

compress_rope_theta (`Union[float, int]`, *opcional*, valor predeterminado `160000.0`) : Base de RoPE para las ramas comprimidas (se usa junto con `rope_scaling` para YaRN).

hc_mult (`int`, *opcional*, valor predeterminado `4`) : Factor de expansión n_hc de Manifold-Constrained Hyper-Connection (mHC) (siempre activo; Sección 2.2).

hc_sinkhorn_iters (`int`, *opcional*, valor predeterminado `20`) : Iteraciones de Sinkhorn-Knopp t_max para la proyección del mapeo residual de mHC sobre matrices doblemente estocásticas.

hc_eps (`float`, *opcional*, valor predeterminado `1e-06`) : Límite numérico para la normalización de Sinkhorn-Knopp.

mlp_layer_types (`list[str]`, *opcional*) : Programa MoE por capa con valores de `{"hash_moe", "moe"}`. `hash_moe` enruta mediante una búsqueda congelada de `tid2eid[input_ids]` (papel §2.1, "Hash-MoE bootstrap"); `moe` es el MoE estándar con enrutamiento top-k. Valor predeterminado: 3× `hash_moe` y luego `moe` para el resto. BC: las configuraciones heredadas que incluyen `num_hash_layers` como un argumento de palabra clave de nivel superior se integran en el momento de `__post_init__`.

swiglu_limit (`float`, *opcional*, valor predeterminado `10.0`) : Recorta las preactivaciones de gate/up de los expertos enrutados.

sliding_window (`int`, *opcional*, valor predeterminado `128`) : Tamaño de la ventana local n_win utilizado en la rama de ventana deslizante de cada bloque de atención.

o_groups (`int`, *opcional*, valor predeterminado `8`) : Número de grupos de cabeceras g en la proyección de salida agrupada (papel §2.3.1, "Grouped Output Projection").

o_lora_rank (`int`, *opcional*, valor predeterminado `1024`) : Dimensión intermedia d_g por grupo en la proyección de salida agrupada.

index_n_heads (`int`, *opcional*, valor predeterminado `64`) : Número de cabezas de consulta del indexador n_h^I (papel §2.3.1, ec. 14).

index_head_dim (`int`, *opcional*, valor predeterminado `128`) : Dimensión de la cabeza del indexer c^I (papel §2.3.1).

index_topk (`int`, *opcional*, valor predeterminado `512`) : Número de entradas comprimidas por consulta que el Lightning Indexer conserva mediante top-k (papel §2.3.1, ec. 17).

num_nextn_predict_layers (`int`, *opcional*, valor predeterminado `1`) : número de capas MTP en el checkpoint de origen (no se instancian aquí).

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.

router_aux_loss_coef (`float`, *opcional*, valor predeterminado `0.001`) : Coeficiente de la pérdida auxiliar de equilibrado de carga. Se utiliza para penalizar el enrutamiento desigual de expertos en modelos MoE.

router_jitter_noise (`float`, *opcional*, valor predeterminado `0.0`) : Cantidad de ruido que se añade a los logits del router durante el entrenamiento para lograr un mejor equilibrio de carga.

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.

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-06`) : 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.

bos_token_id (`int`, *opcional*, valor predeterminado `0`) : Id de token utilizado para el inicio de la secuencia en el vocabulario.

eos_token_id (`Union[int, list[int]]`, *opcional*, valor predeterminado `1`) : Id del token utilizado para el fin 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.

partial_rotary_factor (`float`, *opcional*) : Fracción de head_dim a la que se aplica RoPE. El valor predeterminado es `qk_rope_head_dim / head_dim`, de modo que el tamaño de cos/sin sea `qk_rope_head_dim`.

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.

mlp_bias (`bool`, *opcional*, valor predeterminado `False`) : Indica si se debe usar un sesgo en las capas up_proj, down_proj y gate_proj de las capas MLP.

attention_dropout (`float`, *opcional*, valor predeterminado `0.0`) : La proporción de dropout para las probabilidades de atención.

Esta es la clase de configuración para almacenar la configuración de un DeepseekV4Model. Se utiliza para instanciar un modelo Deepseek V4 según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de [deepseek-ai/DeepSeek-V4-Flash-Base](https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Base)

Los objetos de configuración heredan de [PreTrainedConfig](/docs/transformers/v5.23.0/es/main_classes/configuration#transformers.PreTrainedConfig) y se pueden utilizar para controlar las salidas del modelo. Consulte la documentación de [PreTrainedConfig](/docs/transformers/v5.23.0/es/main_classes/configuration#transformers.PreTrainedConfig) para obtener más información.

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

```python
validate_layer_type()
```

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

V4 restringe el `ALLOWED_LAYER_TYPES` global a los tres tipos de bloques de atención y los dos tipos de bloques MLP que realmente incluye, además de las comprobaciones estándar de longitud y pertenencia al tipo.

## DeepseekV4Model[[transformers.DeepseekV4Model]]

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

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

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

**Parámetros:**

config ([DeepseekV4Config](/docs/transformers/v5.23.0/es/model_doc/deepseek_v4#transformers.DeepseekV4Config)) : 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/v5.23.0/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo.

El modelo Deepseek V4 sin procesar, que genera estados ocultos crudos sin ninguna cabeza específica en la parte superior.

Este modelo hereda de [PreTrainedModel](/docs/transformers/v5.23.0/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.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'>)
```

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

**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/v5.23.0/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/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/v5.23.0/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/v5.23.0/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 ([DeepseekV4Config](/docs/transformers/v5.23.0/es/model_doc/deepseek_v4#transformers.DeepseekV4Config)) y las entradas.

El método forward de [DeepseekV4Model](/docs/transformers/v5.23.0/es/model_doc/deepseek_v4#transformers.DeepseekV4Model) 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/v5.23.0/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.

## DeepseekV4ForCausalLM[[transformers.DeepseekV4ForCausalLM]]

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

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

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

**Parámetros:**

config ([DeepseekV4Config](/docs/transformers/v5.23.0/es/model_doc/deepseek_v4#transformers.DeepseekV4Config)) : 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/v5.23.0/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo.

El modelo Deepseek V4 para el modelado de lenguaje causal.

Este modelo hereda de [PreTrainedModel](/docs/transformers/v5.23.0/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.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'>)
```

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

**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/v5.23.0/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/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/v5.23.0/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/v5.23.0/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 del modelado de lenguaje causal. Los índices deben estar en `[-100, 0, ..., config.vocab_size]` (ver la docstring de `input_ids`). Los tokens con índices establecidos en `-100` se ignoran (se enmascaran); la pérdida solo se calcula para los tokens con etiquetas en `[0, ..., config.vocab_size]`. Las etiquetas se **desplazan internamente** para que `labels[..., 1:]` se utilicen para predecir `logits[..., :-1, :]`. Pase etiquetas sin desplazar que coincidan con `input_ids` (es decir, `labels = input_ids`). No **desplace** usted mismo las etiquetas antes de pasarlas. Si las etiquetas ya están desplazadas (por ejemplo, con paralelismo de secuencia), páselas como el argumento de palabra clave `shift_labels` y se usarán tal cual. Todavía debe pasar `labels` para que se calcule la pérdida.

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`).

output_router_logits (`bool`, *opcional*) : Indica si se deben devolver los logits de todos los routers. Son útiles para calcular la pérdida del router y no deben devolverse durante la inferencia.

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).

**Devuelve:** `MoeCausalLMOutputWithPast` o `tuple(torch.Tensor)`

Un `MoeCausalLMOutputWithPast` 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 ([DeepseekV4Config](/docs/transformers/v5.23.0/es/model_doc/deepseek_v4#transformers.DeepseekV4Config)) y las entradas.

El método forward de [DeepseekV4ForCausalLM](/docs/transformers/v5.23.0/es/model_doc/deepseek_v4#transformers.DeepseekV4ForCausalLM) 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.vocab_size)`) -- Puntuaciones de predicción de la cabeza de modelado de lenguaje (puntuaciones para cada token del vocabulario antes de SoftMax).
- **aux_loss** (`torch.Tensor`, *opcional*, se devuelve cuando se pasa `output_router_logits=True` o cuando `config.output_router_logits=True`, y el modelo entrena su router con una pérdida de equilibrio de carga) -- Pérdida auxiliar de equilibrio de carga para los módulos dispersos. Los modelos que equilibran sus expertos con un sesgo del router en su lugar (DeepSeek-V3 y las arquitecturas derivadas de él) devuelven `None` aquí, aunque siguen devolviendo `router_logits`.
- **router_logits** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_router_logits=True` o cuando `config.output_router_logits=True`) -- Tupla de `torch.Tensor` (una por cada capa dispersa) de forma `(batch_size * sequence_length, num_experts)`.

  Logits crudos del router calculados por los routers de MoE. Se pueden utilizar para calcular una pérdida de equilibrado de carga o para inspeccionar cómo se asignan los tokens a los expertos.
- **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/v5.23.0/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 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.

Ejemplo:

```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."
```

