# MiniCPM-V

[MiniCPM-V](https://huggingface.co/papers/2509.18154) 是由 [OpenBMB](https://github.com/OpenBMB) 开发的一系列高效多模态大语言模型。MiniCPM-V 4.6 架构采用带有窗口注意力合并器的 [SigLIP](siglip) 视觉编码器，以及 [Qwen3.5](qwen3_5) 语言模型主干，支持 4x 和 16x 视觉下采样模式。

该模型由 [OpenBMB](https://huggingface.co/openbmb) 贡献。原始代码可在[此处](https://github.com/OpenBMB/MiniCPM-V)找到。

## 使用示例

### 使用 Pipeline 进行推理

```python
from transformers import pipeline

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    },
]

pipe = pipeline("image-text-to-text", model="openbmb/MiniCPM-V-4_6")
outputs = pipe(text=messages, max_new_tokens=50, return_full_text=False)
outputs[0]["generated_text"]
```

### 在单张图像上进行推理

> [!NOTE]
> 该模型使用特定的提示格式进行聊天训练。请使用 `processor.apply_chat_template(my_conversation_dict)` 来正确格式化您的提示。

```python
from transformers import AutoProcessor, AutoModelForImageTextToText

model_checkpoint = "openbmb/MiniCPM-V-4_6"
processor = AutoProcessor.from_pretrained(model_checkpoint)
model = AutoModelForImageTextToText.from_pretrained(model_checkpoint, device_map="auto")

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"},
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

inputs = processor.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt",
).to(model.device, dtype=model.dtype)

output = model.generate(**inputs, max_new_tokens=100)
decoded_output = processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True)
print(decoded_output)
```

### 下采样模式

MiniCPM-V 4.6 支持两种视觉下采样模式：

- **16x**（默认）：更激进的降采样，更少的视觉 token，更快的推理速度。
- **4x**：下采样更少，视觉 token 更多，更适合细节丰富的任务。

您可以通过在 `processor_kwargs` 和 `model.generate` 中传入 `downsample_mode` 来在运行时更改下采样模式：

```python
inputs = processor.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt",
    processor_kwargs={"downsample_mode": "4x"},
).to(model.device, dtype=model.dtype)

output = model.generate(**inputs, max_new_tokens=100, downsample_mode="4x")
```

### 思考模式

该模型支持由聊天模板中的 `enable_thinking` 控制的思考模式。启用后，模型会在给出最终答案之前生成内部推理过程：

```python
inputs = processor.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt",
    enable_thinking=True,
).to(model.device, dtype=model.dtype)

output = model.generate(**inputs, max_new_tokens=1024)
```

要禁用思考（评估时的默认设置）：

```python
inputs = processor.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt",
    enable_thinking=False,
).to(model.device, dtype=model.dtype)
```

### 图像处理后端

MiniCPM-V 4.6 提供两种图像处理后端：

- **torchvision**（默认）：使用 `torchvision.transforms` 进行图像缩放。
- **pil**：使用 `PIL.Image.resize`，与原始实现保持一致。

要使用 PIL 后端：

```python
from transformers import AutoProcessor, AutoImageProcessor

processor = AutoProcessor.from_pretrained(model_checkpoint)
processor.image_processor = AutoImageProcessor.from_pretrained(model_checkpoint, backend="pil")
```

### 视频推理

MiniCPM-V 4.6 支持视频理解。

```python
messages = [
    {
        "role": "user",
        "content": [
            {"type": "video", "video": "path/to/video.mp4"},
            {"type": "text", "text": "Describe what happens in this video."},
        ],
    }
]

inputs = processor.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt",
).to(model.device, dtype=model.dtype)

output = model.generate(**inputs, max_new_tokens=200)
decoded_output = processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True)
print(decoded_output)
```

如果您已经有了渲染后的提示字符串，也可以直接调用 `processor(text=..., videos=[...])`。

## MiniCPMV4_6Config[[transformers.MiniCPMV4_6Config]]

#### transformers.MiniCPMV4_6Config[[transformers.MiniCPMV4_6Config]]

```python
transformers.MiniCPMV4_6Config(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, vision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, insert_layer_id: int = 6, image_size: int = 448, drop_vision_last_layer: bool = False, image_token_id: int | None = None, video_token_id: int | None = None, tie_word_embeddings: bool = False, downsample_mode: str = '16x', merge_kernel_size: tuple[int, int] | list[int] = (2, 2), merger_times: int = 1)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/configuration_minicpmv4_6.py#L66)

**参数：**

text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`，*可选*)：文本骨干网络的配置对象或字典。

vision_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`，*可选*)：视觉骨干网络的配置对象或字典。

insert_layer_id (`int`，*可选*，默认为 6)：应用窗口注意力合并器的视觉编码器层索引。

image_size (`int`, *可选*, 默认为 448) : 图像预处理的基准分辨率。

drop_vision_last_layer (`bool`，*可选*，默认为 `False`)：是否丢弃视觉编码器的最后一层。

image_token_id (`int`, *可选*) : 用作图像占位符的 Token id。

video_token_id (`int`, *可选*) : 用作视频占位符的 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。

downsample_mode (`str`，*可选*，默认为 `"16x"`)：视觉 token 的下采样比例。`"4x"` 会保留 4 倍数量的 token。

merge_kernel_size (`tuple[int, int]`，*可选*，默认为 `(2, 2)`)：用于在 Merger 中合并相邻视觉 patch 的核大小 `(h, w)`。

merger_times (`int`，*可选*，默认为 1)：Merger 中迭代合并轮次的数量。

这是用于存储 MiniCPMV4_6Model 配置的类。它根据指定的参数实例化 Minicpmv4 6 模型，并定义模型架构。使用默认值实例化配置将得到与 [openbmb/MiniCPM-V-4.6](https://huggingface.co/openbmb/MiniCPM-V-4.6) 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。

## MiniCPMV4_6VisionConfig[[transformers.MiniCPMV4_6VisionConfig]]

#### transformers.MiniCPMV4_6VisionConfig[[transformers.MiniCPMV4_6VisionConfig]]

```python
transformers.MiniCPMV4_6VisionConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, hidden_size: int = 768, intermediate_size: int = 3072, num_hidden_layers: int = 12, num_attention_heads: int = 12, num_channels: int = 3, image_size: int | list[int] | tuple[int, int] = 224, patch_size: int | list[int] | tuple[int, int] = 16, hidden_act: str = 'gelu_pytorch_tanh', layer_norm_eps: float = 1e-06, attention_dropout: float | int = 0.0, insert_layer_id: int = 6, window_kernel_size: tuple[int, int] | list[int] = (2, 2))
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/configuration_minicpmv4_6.py#L31)

**参数：**

hidden_size (`int`，*可选*，默认为 `768`)：隐藏表示的维度。

intermediate_size (`int`，*可选*，默认值为 `3072`)：MLP 表示的维度。

num_hidden_layers (`int`，*可选*，默认为 `12`)：Transformer 解码器中的隐藏层数。

num_attention_heads (`int`，*可选*，默认为 `12`)：Transformer 解码器中每个注意力层的注意力头数量。

num_channels (`int`，*可选*，默认为 `3`)：输入通道数。

image_size (`Union[int, list[int], tuple[int, int]]`，*可选*，默认为 `224`)：每张图片的尺寸（分辨率）。

patch_size (`Union[int, list[int], tuple[int, int]]`，*可选*，默认为 `16`)：每个 patch 的大小（分辨率）。

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

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

attention_dropout (`Union[float, int]`，*可选*，默认值为 `0.0`)：注意力概率的 dropout 比率。

insert_layer_id (`int`，*可选*，默认为 6)：应用窗口注意力合并器的视觉编码器层索引。

window_kernel_size (`tuple[int, int]`，*可选*，默认为 `(2, 2)`)：中间窗口注意力合并器的窗口大小 `(h, w)`。

这是用于存储 MiniCPMV4_6Model 配置的类。它根据指定的参数实例化 Minicpmv4 6 模型，并定义模型架构。使用默认值实例化配置将得到与 [openbmb/MiniCPM-V-4.6](https://huggingface.co/openbmb/MiniCPM-V-4.6) 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。

## MiniCPMV4_6Model[[transformers.MiniCPMV4_6Model]]

#### transformers.MiniCPMV4_6Model[[transformers.MiniCPMV4_6Model]]

```python
transformers.MiniCPMV4_6Model(config: MiniCPMV4_6Config)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L593)

**参数：**

config ([MiniCPMV4_6Config](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config))：模型配置类，包含模型的所有参数。通过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。

MiniCPMV4_6 模型由视觉主干网络和语言模型组成，不包含语言建模头。

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.MiniCPMV4_6Model.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, target_sizes: typing.Optional[torch.IntTensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, target_sizes_videos: typing.Optional[torch.IntTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: list[torch.Tensor] | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, downsample_mode: str | None = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L662)

**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)

pixel_values (`torch.Tensor`, *可选*) : 图像的像素值补丁，采用 NaViT 打包格式。

target_sizes (`torch.IntTensor`, *可选*) : 每张图像的高度和宽度（以 patch 为单位）。

pixel_values_videos (`torch.Tensor`, *可选*) : 视频帧的像素值补丁，采用 NaViT 打包格式。

target_sizes_videos (`torch.IntTensor`, *可选*) : 每个视频帧的高度和宽度（以 patch 为单位）。

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 (`list[torch.Tensor]`, *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 指南](https://huggingface.co/docs/transformers/en/kv_cache)。如果未传入 `past_key_values`，则默认会初始化 [DynamicCache](/docs/transformers/v5.23.0/zh/internal/generation_utils#transformers.DynamicCache)。 模型将输出与输入格式相同的缓存。 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`）。

downsample_mode (`str`, *可选*) : `"4x"` 保留 4 倍数量的视觉标记；默认值 `"16x"` 应用完全合并。

mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *可选*) : 一个字典，其中键为支持的模态，值为该模态的编码输出。每个编码输出是一个元组，由 (`pooler_output`, *可选*: `last_hidden_states`, *可选*: `hidden_states`, *可选*: `attentions`) 组成，其中 `pooler_output` 的形状为 `(batch_size, sequence_length, hidden_size)`，*可选*)，表示编码器生成的多模态特征序列，并已融合到文本嵌入中。

**返回：** [BaseModelOutputWithPast](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) 或 `tuple(torch.Tensor)`

一个 [BaseModelOutputWithPast](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) 或 `torch.Tensor` 元组（如果传入了 `return_dict=False` 或 `config.return_dict=False`），其包含的元素取决于配置（[MiniCPMV4_6Config](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)）和输入。

[MiniCPMV4_6Model](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Model) 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。

- **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。

  如果使用了 `past_key_values`，则仅输出形状为 `(batch_size, 1, hidden_size)` 的序列的最后一个隐藏状态。
- **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。

#### get_image_features[[transformers.MiniCPMV4_6Model.get_image_features]]

```python
get_image_features(pixel_values: Tensor, target_sizes: IntTensor, downsample_mode: str | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L602)

**参数：**

pixel_values (`torch.Tensor`，形状为 `(batch_size, num_channels, image_size, image_size)`)：与输入图像对应的张量。可以使用 [MiniCPMV4_6ImageProcessor](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ImageProcessor) 获取像素值。有关详细信息，请参阅 [MiniCPMV4_6ImageProcessor.__call__()](/docs/transformers/v5.23.0/zh/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__)（[MiniCPMV4_6Processor](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Processor) 使用 [MiniCPMV4_6ImageProcessor](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ImageProcessor) 处理图像）。

target_sizes (`torch.IntTensor`，形状为 `(num_images, 2)`)：每张图片的高度和宽度（以 patch 为单位）。

downsample_mode (`str`, *可选*) : 当设置为 `"4x"` 时，会跳过中间的 `vit_merger`，使每张图像保留 `4×` 倍的视觉标记。默认的 `"16x"` 模式会应用完整的合并流程。

**返回：** [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 或 `tuple(torch.Tensor)`

一个 [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 或 `torch.Tensor` 元组（如果传入了 `return_dict=False` 或 `config.return_dict=False`），其包含的元素取决于配置（[MiniCPMV4_6Config](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)）和输入。

提取图像特征：视觉编码器，插入合并器，然后是 MLP 合并器。

- **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。
- **pooler_output**（形状为 `(batch_size, hidden_size)` 的 `torch.Tensor`）-- 序列中第一个 token（分类 token）的最后一层隐藏状态，经过用于辅助预训练任务的层进一步处理后的结果。例如，对于 BERT 系列模型，这返回的是分类 token 经过线性层和 tanh 激活函数处理后的结果。线性层的权重是在预训练期间通过下一句预测（分类）目标训练得到的。
- **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。

## MiniCPMV4_6ForConditionalGeneration[[transformers.MiniCPMV4_6ForConditionalGeneration]]

#### transformers.MiniCPMV4_6ForConditionalGeneration[[transformers.MiniCPMV4_6ForConditionalGeneration]]

```python
transformers.MiniCPMV4_6ForConditionalGeneration(config: MiniCPMV4_6Config)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L779)

**参数：**

config ([MiniCPMV4_6Config](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config))：模型配置类，包含模型的所有参数。通过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。

用于基于其他模态（例如图像-文本到文本生成）进行 token 生成的 Minicpmv4 6 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.MiniCPMV4_6ForConditionalGeneration.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, target_sizes: typing.Optional[torch.IntTensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, target_sizes_videos: typing.Optional[torch.IntTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: list[torch.Tensor] | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, downsample_mode: str | None = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L790)

**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)

pixel_values (`torch.Tensor`, *可选*) : 图像的像素值补丁，采用 NaViT 打包格式。

target_sizes (`torch.IntTensor`, *可选*) : 每张图像的高度和宽度（以 patch 为单位）。

pixel_values_videos (`torch.Tensor`, *可选*) : 视频帧的像素值补丁，采用 NaViT 打包格式。

target_sizes_videos (`torch.IntTensor`, *可选*) : 每个视频帧的高度和宽度（以 patch 为单位）。

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 (`list[torch.Tensor]`, *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 指南](https://huggingface.co/docs/transformers/en/kv_cache)。如果未传入 `past_key_values`，则默认会初始化 [DynamicCache](/docs/transformers/v5.23.0/zh/internal/generation_utils#transformers.DynamicCache)。 模型将输出与输入格式相同的缓存。 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*)：用于计算掩码语言建模损失的标签。索引值应在 `[0, ..., config.vocab_size]` 范围内，或为 -100（参见 `input_ids` 的文档字符串）。索引值设为 `-100` 的 token 将被忽略（即被掩码），损失仅针对标签在 `[0, ..., config.vocab_size]` 范围内的 token 进行计算。

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`）。

downsample_mode (`str`, *可选*) : `"4x"` 保留 4 倍数量的视觉标记；默认值 `"16x"` 应用完全合并。

mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *可选*) : 一个字典，其中键为支持的模态，值为该模态的编码输出。每个编码输出是一个元组，由 (`pooler_output`, *可选*: `last_hidden_states`, *可选*: `hidden_states`, *可选*: `attentions`) 组成，其中 `pooler_output` 的形状为 `(batch_size, sequence_length, hidden_size)`，*可选*)，表示编码器生成的多模态特征序列，并已融合到文本嵌入中。

**返回：** [CausalLMOutputWithPast](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) 或 `tuple(torch.Tensor)`

一个 [CausalLMOutputWithPast](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) 或 `torch.Tensor` 元组（如果传入了 `return_dict=False` 或 `config.return_dict=False`），其包含的元素取决于配置（[MiniCPMV4_6Config](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)）和输入。

[MiniCPMV4_6ForConditionalGeneration](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ForConditionalGeneration) 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。

- **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）。
- **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 PIL import Image
>>> from transformers import AutoProcessor, MiniCPMV4_6ForConditionalGeneration

>>> model = MiniCPMV4_6ForConditionalGeneration.from_pretrained("openbmb/MiniCPM-V-4.6")
>>> processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-V-4.6")

>>> messages = [
...     {
...         "role": "user", "content": [
...             {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"},
...             {"type": "text", "text": "Where is the cat standing?"},
...         ]
...     },
... ]

>>> inputs = processor.apply_chat_template(
...     messages,
...     tokenize=True,
...     return_dict=True,
...     return_tensors="pt",
...     add_generation_prompt=True
... )
>>> # Generate
>>> generate_ids = model.generate(**inputs)
>>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0]
```

#### get_image_features[[transformers.MiniCPMV4_6ForConditionalGeneration.get_image_features]]

```python
get_image_features(*args, **kwargs)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L854)

**返回：** [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 或 `tuple(torch.Tensor)`

一个 [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 或 `torch.Tensor` 元组（如果传入了 `return_dict=False` 或 `config.return_dict=False`），其包含的元素取决于配置（[MiniCPMV4_6Config](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)）和输入。

提取图像特征：视觉编码器，插入合并器，然后是 MLP 合并器。

- **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。
- **pooler_output**（形状为 `(batch_size, hidden_size)` 的 `torch.Tensor`）-- 序列中第一个 token（分类 token）的最后一层隐藏状态，经过用于辅助预训练任务的层进一步处理后的结果。例如，对于 BERT 系列模型，这返回的是分类 token 经过线性层和 tanh 激活函数处理后的结果。线性层的权重是在预训练期间通过下一句预测（分类）目标训练得到的。
- **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 PIL import Image
>>> from transformers import AutoProcessor, MiniCPMV4_6ForConditionalGeneration

>>> model = MiniCPMV4_6ForConditionalGeneration.from_pretrained("openbmb/MiniCPM-V-4.6")
>>> processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-V-4.6")

>>> messages = [
...     {
...         "role": "user", "content": [
...             {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"},
...             {"type": "text", "text": "Where is the cat standing?"},
...         ]
...     },
... ]

>>> inputs = processor.apply_chat_template(
...     messages,
...     tokenize=True,
...     return_dict=True,
...     return_tensors="pt",
...     add_generation_prompt=True
... )
>>> # Generate
>>> generate_ids = model.generate(**inputs)
>>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0]
```

## MiniCPMV4_6Processor[[transformers.MiniCPMV4_6Processor]]

#### transformers.MiniCPMV4_6Processor[[transformers.MiniCPMV4_6Processor]]

```python
transformers.MiniCPMV4_6Processor(image_processor = None, video_processor = None, tokenizer = None, chat_template = None, **kwargs)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/processing_minicpmv4_6.py#L38)

**参数：**

image_processor (`MiniCPMV4_6ImageProcessor`)：图像处理器是必需的输入。

video_processor (`MiniCPMV4_6VideoProcessor`)：视频处理器是必需的输入。

tokenizer (`TokenizersBackend`)：分词器是必需的输入。

chat_template (`str`) : 一个 Jinja 模板，用于将聊天中的消息列表转换为可分词的字符串。

构建一个 MiniCPMV4_6Processor，它将图像处理器、视频处理器和分词器封装为单一处理器。

[MiniCPMV4_6Processor](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Processor) 提供了 [MiniCPMV4_6ImageProcessor](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ImageProcessor)、[MiniCPMV4_6VideoProcessor](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6VideoProcessor) 和 [TokenizersBackend](/docs/transformers/v5.23.0/zh/main_classes/tokenizer#transformers.TokenizersBackend) 的所有功能。有关更多信息，请参阅 [~MiniCPMV4_6ImageProcessor](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ImageProcessor)、[~MiniCPMV4_6VideoProcessor](/docs/transformers/v5.23.0/zh/model_doc/minicpmv4_6#transformers.MiniCPMV4_6VideoProcessor) 和 [~TokenizersBackend](/docs/transformers/v5.23.0/zh/main_classes/tokenizer#transformers.TokenizersBackend)。

#### __调用__[[transformers.MiniCPMV4_6Processor.__call__]]

```python
__call__(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = None, text: str | list[str] | list[list[str]] | None = None, videos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]], NoneType] = None, **kwargs: *<class 'transformers.models.minicpmv4_6.processing_minicpmv4_6.MiniCPMV4_6ProcessorKwargs'>)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/processing_minicpmv4_6.py#L74)

**参数：**

images (*Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]*, *optional*) : 要预处理的图像。期望输入单张图像或一批图像，其像素值范围为 0 到 255。如果传入的图像像素值在 0 到 1 之间，请设置 *do_rescale=False*。

text (*Union[str, list[str], list[list[str]]]*, *optional*) : The sequence or batch of sequences to be encoded. Each sequence can be a string or a list of strings (pretokenized string). If you pass a pretokenized input, set *is_split_into_words=True* to avoid ambiguity with batched inputs.

videos (*Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]]*, *optional*) : 要预处理的视频。期望输入单个视频或一批视频，其像素值范围为 0 到 255。如果传入的像素值在 0 到 1 之间，请设置 *do_rescale=False*。

return_mm_token_type_ids (*bool*, *kwargs*) : 是否返回多模态 token 类型 ID，以指示多模态占位符 token 的位置。

return_text_replacement_offsets (*bool*, *kwargs*) : 是否返回每个多模态占位符及其替换项的字符偏移量。

use_image_id (*bool*, *kwargs*, *可选*) : 是否在每个图像占位符前添加图像 ID 标签（`<image_id>N</image_id>`）。如果未设置，则默认为图像处理器的 *use_image_id*。

return_tensors (*str* 或 [*~utils.TensorType*], *optional*) : 如果设置，将返回特定框架的张量。可接受的值为： - *'pt'*：返回 PyTorch *torch.Tensor* 对象。 - *'np'*：返回 NumPy *np.ndarray* 对象。

- ****kwargs** ([*ProcessingKwargs*]，*可选*)：每种模态（文本、图像、视频、音频）的额外处理选项。模型特定参数已在上方列出；有关支持参数的完整列表，请参阅 TypedDict 类。

## MiniCPMV4_6ImageProcessor[[transformers.MiniCPMV4_6ImageProcessor]]

#### transformers.MiniCPMV4_6ImageProcessor[[transformers.MiniCPMV4_6ImageProcessor]]

```python
transformers.MiniCPMV4_6ImageProcessor(**kwargs: *<class 'transformers.models.minicpmv4_6.image_processing_minicpmv4_6.MiniCPMV4_6ImageProcessorKwargs'>)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/image_processing_minicpmv4_6.py#L68)

**参数：**

do_convert_rgb (*bool*, *kwargs*, *optional*, 默认为 *True*) : 是否将图像转换为 RGB。

do_resize (*bool*, *kwargs*, *optional*, 默认为 *True*) : 是否调整图像大小。

size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*)：描述模型的最大输入维度。

default_to_square (*bool*, *kwargs*, *optional*，默认为 *True*) : 当 size 为 int 时，是否在调整大小时默认使用正方形图像。

crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : 应用 *center_crop* 后输出图像的尺寸。

resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*，默认为 *3*) : 如果调整图像大小，则使用的重采样滤波器。它可以是枚举 *PILImageResampling* 中的一个值。仅当 *do_resize* 设置为 *True* 时才会生效。

do_rescale (*bool*, *kwargs*, *optional*, 默认为 *True*) : 是否对图像进行重新缩放。

rescale_factor (*float*, *kwargs*, *optional*, 默认为 *0.00392156862745098*) : 当 *do_rescale* 设置为 *True* 时，用于对图像进行缩放的缩放因子。

do_normalize (*bool*, *kwargs*, *optional*, 默认为 *True*) : 是否对图像进行归一化。

image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *可选*，默认为 *[0.5, 0.5, 0.5]*) : 用于归一化的图像均值。仅当 *do_normalize* 设置为 *True* 时生效。

image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *可选*，默认为 *[0.5, 0.5, 0.5]*) : 用于归一化的图像标准差。仅当 *do_normalize* 设置为 *True* 时生效。

do_pad (*bool*, *kwargs*, *optional*) : 是否对图像进行填充。填充操作会将图像填充至批次中的最大尺寸，或填充至每张图像的固定正方形尺寸。具体的填充策略取决于模型。

pad_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : 将图像填充到的尺寸，格式为 *&amp;lcub;"height": int, "width" int}*。必须大于预处理中提供的任何图像尺寸。如果未提供 *pad_size*，图像将被填充到批次中最大的高度和宽度。仅在 *do_pad=True* 时应用。

do_center_crop (*bool*, *kwargs*, *可选*) : 是否对图像进行居中裁剪。

data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *可选*) : 仅支持 *ChannelDimension.FIRST*。为兼容慢速处理器而添加。

input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *可选*) : 输入图像的通道维度格式。如果未设置，则从输入图像中推断通道维度格式。可以是以下之一： - *"channels_first"* 或 *ChannelDimension.FIRST*：图像为 (num_channels, height, width) 格式。 - *"channels_last"* 或 *ChannelDimension.LAST*：图像为 (height, width, num_channels) 格式。 - *"none"* 或 *ChannelDimension.NONE*：图像为 (height, width) 格式。

device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*)：用于处理视频的设备。如果未设置，则从输入视频中推断设备。

return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : 如果设置为 *'pt'*，则返回堆叠的张量，否则返回张量列表。

disable_grouping (*bool*, *kwargs*, *optional*) : 是否禁用按尺寸对图像进行分组，从而逐个处理图像而非批量处理。如果为 None，则当图像位于 CPU 上时设置为 True，否则设置为 False。此选择基于经验观察，详情见此处：https://github.com/huggingface/transformers/pull/38157

image_seq_length (*int*, *kwargs*, *optional*) : 输入中每张图片所使用的图像 token 数量。为向后兼容而添加，但在未来的模型中，应将其设置为处理器的属性。

max_slice_nums (*int*, *kwargs*, *optional*, 默认为 9) : 分割高分辨率图像时的最大切片数。

scale_resolution (*int*, *kwargs*, *optional*，默认为 448)：单个切片的分辨率。

patch_size (*int*, *kwargs*, *optional*, 默认值为 14) : 视觉编码器的空间补丁大小。

slice_mode (*bool*, *kwargs*, *optional*, 默认为 *True*) : 是否将图像分割为多个切片以提高分辨率。

downsample_mode (*str*, *kwargs*, *optional*, 默认为 *"16x"*)：视觉 token 下采样模式。*"16x"* 应用完全合并；*"4x"* 保留 4 倍数量的 token。

use_image_id (*bool*, *kwargs*, *optional*，默认为 *True*) : 是否在每个图像占位符前添加图像 ID 标签（`<image_id>N</image_id>`）。该参数由 Processor 用于生成占位符，而非由图像处理流水线本身使用。

构建一个 MiniCPMV4_6ImageProcessor 图像处理器。

#### preprocess[[transformers.MiniCPMV4_6ImageProcessor.preprocess]]

```python
preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], **kwargs: *<class 'transformers.models.minicpmv4_6.image_processing_minicpmv4_6.MiniCPMV4_6ImageProcessorKwargs'>)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/image_processing_minicpmv4_6.py#L174)

**参数：**

images (*Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]*) : 要预处理的图像。期望输入单张图像或一批图像，其像素值范围为 0 到 255。如果传入的图像像素值在 0 到 1 之间，请设置 *do_rescale=False*。

do_convert_rgb (*bool*, *kwargs*, *可选*) : 是否将图像转换为 RGB。

do_resize (*bool*, *kwargs*, *optional*) : 是否调整图像大小。

size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*)：描述模型的最大输入维度。

default_to_square (*bool*, *kwargs*, *可选*) : 当 size 为整数时，是否在调整大小时默认使用正方形图像。

crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : 应用 *center_crop* 后输出图像的尺寸。

resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*) : 如果调整图像大小，则使用的重采样滤波器。可以是枚举 *PILImageResampling* 中的一个值。仅当 *do_resize* 设置为 *True* 时生效。

do_rescale (*bool*, *kwargs*, *optional*) : 是否对图像进行重新缩放。

rescale_factor (*float*, *kwargs*, *optional*) : 如果 *do_rescale* 设置为 *True*，则用于对图像进行重新缩放的缩放因子。

do_normalize (*bool*, *kwargs*, *optional*) : 是否对图像进行归一化。

image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*) : 用于归一化的图像均值。仅当 *do_normalize* 设置为 *True* 时生效。

image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*) : 用于归一化的图像标准差。仅当 *do_normalize* 设置为 *True* 时生效。

do_pad (*bool*, *kwargs*, *optional*) : 是否对图像进行填充。填充操作会将图像填充至批次中的最大尺寸，或填充至每张图像的固定正方形尺寸。具体的填充策略取决于模型。

pad_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : 将图像填充到的尺寸，格式为 *&amp;lcub;"height": int, "width" int}*。必须大于预处理中提供的任何图像尺寸。如果未提供 *pad_size*，图像将被填充到批次中最大的高度和宽度。仅在 *do_pad=True* 时应用。

do_center_crop (*bool*, *kwargs*, *可选*) : 是否对图像进行居中裁剪。

data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *可选*) : 仅支持 *ChannelDimension.FIRST*。为兼容慢速处理器而添加。

input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *可选*) : 输入图像的通道维度格式。如果未设置，则从输入图像中推断通道维度格式。可以是以下之一： - *"channels_first"* 或 *ChannelDimension.FIRST*：图像为 (num_channels, height, width) 格式。 - *"channels_last"* 或 *ChannelDimension.LAST*：图像为 (height, width, num_channels) 格式。 - *"none"* 或 *ChannelDimension.NONE*：图像为 (height, width) 格式。

device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*)：用于处理视频的设备。如果未设置，则从输入视频中推断设备。

return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : 如果设置为 *'pt'*，则返回堆叠的张量，否则返回张量列表。

disable_grouping (*bool*, *kwargs*, *optional*) : 是否禁用按尺寸对图像进行分组，从而逐个处理图像而非批量处理。如果为 None，则当图像位于 CPU 上时设置为 True，否则设置为 False。此选择基于经验观察，详情见此处：https://github.com/huggingface/transformers/pull/38157

image_seq_length (*int*, *kwargs*, *optional*) : 输入中每张图片所使用的图像 token 数量。为向后兼容而添加，但在未来的模型中，应将其设置为处理器的属性。

max_slice_nums (*int*, *kwargs*, *optional*, 默认为 9) : 分割高分辨率图像时的最大切片数。

scale_resolution (*int*, *kwargs*, *optional*，默认为 448)：单个切片的分辨率。

patch_size (*int*, *kwargs*, *optional*, 默认值为 14) : 视觉编码器的空间补丁大小。

slice_mode (*bool*, *kwargs*, *optional*, 默认为 *True*) : 是否将图像分割为多个切片以提高分辨率。

downsample_mode (*str*, *kwargs*, *optional*, 默认为 *"16x"*)：视觉 token 下采样模式。*"16x"* 应用完全合并；*"4x"* 保留 4 倍数量的 token。

use_image_id (*bool*, *kwargs*, *optional*，默认为 *True*) : 是否在每个图像占位符前添加图像 ID 标签（`<image_id>N</image_id>`）。该参数由 Processor 用于生成占位符，而非由图像处理流水线本身使用。

**返回：** `*~image_processing_base.BatchFeature*`

- **data** (*dict*) -- 由 __call__ 方法返回的列表/数组/张量字典（例如 'pixel_values'）。
- **tensor_type** (*Union[None, str, TensorType]*, *可选*) -- 您可以在此处指定 tensor_type，以便在初始化时将 PyTorch/Numpy 张量中的整数列表进行转换。

## MiniCPMV4_6ImageProcessorPil[[transformers.MiniCPMV4_6ImageProcessorPil]]

#### transformers.MiniCPMV4_6ImageProcessorPil[[transformers.MiniCPMV4_6ImageProcessorPil]]

```python
transformers.MiniCPMV4_6ImageProcessorPil(**kwargs: *<class 'transformers.models.minicpmv4_6.image_processing_pil_minicpmv4_6.MiniCPMV4_6ImageProcessorPilKwargs'>)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/image_processing_pil_minicpmv4_6.py#L69)

**参数：**

- ****kwargs** (`MiniCPMV4_6ImageProcessorPilKwargs`, *可选*) : 额外的图像预处理选项。模型特定的 kwargs 已在上方列出；有关支持参数的完整列表，请参阅 TypedDict 类。

构建一个 MiniCPMV4_6ImageProcessor 图像处理器。

#### preprocess[[transformers.MiniCPMV4_6ImageProcessorPil.preprocess]]

```python
preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], **kwargs: *<class 'transformers.models.minicpmv4_6.image_processing_pil_minicpmv4_6.MiniCPMV4_6ImageProcessorPilKwargs'>)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/image_processing_pil_minicpmv4_6.py#L173)

**参数：**

images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`) : 要预处理的图像。期望输入单张或一批像素值在 0 到 255 之间的图像。如果传入的图像像素值在 0 到 1 之间，请设置 `do_rescale=False`。

return_tensors (`str` 或 [TensorType](/docs/transformers/v5.23.0/zh/internal/file_utils#transformers.TensorType)，*可选*)：如果设置为 `'pt'`，则返回堆叠的张量，否则返回张量列表。

- ****kwargs** (`MiniCPMV4_6ImageProcessorPilKwargs`, *可选*) : 额外的图像预处理选项。模型特定的 kwargs 已在上方列出；有关支持参数的完整列表，请参阅 TypedDict 类。

**返回：** `~image_processing_base.BatchFeature`

- **data** (`dict`) -- 由 __call__ 方法返回的列表/数组/张量字典（例如 'pixel_values'）。
- **tensor_type** (`Union[None, str, TensorType]`，*可选*) -- 您可以在此处指定 tensor_type，以便在初始化时将 PyTorch/Numpy 张量中的整数列表进行转换。

## MiniCPMV4_6VideoProcessor[[transformers.MiniCPMV4_6VideoProcessor]]

#### transformers.MiniCPMV4_6VideoProcessor[[transformers.MiniCPMV4_6VideoProcessor]]

```python
transformers.MiniCPMV4_6VideoProcessor(**kwargs: *<class 'transformers.models.minicpmv4_6.video_processing_minicpmv4_6.MiniCPMV4_6VideoProcessorKwargs'>)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/video_processing_minicpmv4_6.py#L84)

**参数：**

do_convert_rgb (*bool*, *kwargs*, *optional*, 默认为 *True*) : 是否将图像转换为 RGB。

do_resize (*bool*, *kwargs*, *optional*, 默认为 *True*) : 是否调整图像大小。

size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*)：描述模型的最大输入维度。

default_to_square (*bool*, *kwargs*, *optional*，默认为 *True*) : 当 size 为 int 时，是否在调整大小时默认使用正方形图像。

resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*，默认为 *3*) : 如果调整图像大小，则使用的重采样滤波器。它可以是枚举 *PILImageResampling* 中的一个值。仅当 *do_resize* 设置为 *True* 时才会生效。

do_rescale (*bool*, *kwargs*, *optional*, 默认为 *True*) : 是否对图像进行重新缩放。

rescale_factor (*float*, *kwargs*, *optional*, 默认为 *0.00392156862745098*) : 当 *do_rescale* 设置为 *True* 时，用于对图像进行缩放的缩放因子。

do_normalize (*bool*, *kwargs*, *optional*, 默认为 *True*) : 是否对图像进行归一化。

image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *可选*，默认为 *[0.5, 0.5, 0.5]*) : 用于归一化的图像均值。仅当 *do_normalize* 设置为 *True* 时生效。

image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *可选*，默认为 *[0.5, 0.5, 0.5]*) : 用于归一化的图像标准差。仅当 *do_normalize* 设置为 *True* 时生效。

do_center_crop (*bool*, *kwargs*, *可选*) : 是否对图像进行居中裁剪。

do_pad (*bool*, *kwargs*, *optional*) : 是否对图像进行填充。填充操作会将图像填充至批次中的最大尺寸，或填充至每张图像的固定正方形尺寸。具体的填充策略取决于模型。

crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : 应用 *center_crop* 后输出图像的尺寸。

data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *可选*) : 仅支持 *ChannelDimension.FIRST*。为兼容慢速处理器而添加。

input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *可选*) : 输入图像的通道维度格式。如果未设置，则从输入图像中推断通道维度格式。可以是以下之一： - *"channels_first"* 或 *ChannelDimension.FIRST*：图像为 (num_channels, height, width) 格式。 - *"channels_last"* 或 *ChannelDimension.LAST*：图像为 (height, width, num_channels) 格式。 - *"none"* 或 *ChannelDimension.NONE*：图像为 (height, width) 格式。

device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*)：用于处理视频的设备。如果未设置，则从输入视频中推断设备。

do_sample_frames (*bool*, *kwargs*, *optional*，默认为 *True*)：是否在处理前从视频中采样帧，还是处理整个视频。

video_metadata (*Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]*, *kwargs*) : 视频的元数据，包含总时长、帧率（fps）和总帧数等信息。该参数用于从视频中采样帧或计算时间戳。除非您打算在预处理之前手动解码视频，否则请勿传入任何元数据。

fps (*Annotated[int | float | None, None]*, *kwargs*) : 当 *do_sample_frames=True* 时，每秒采样的目标帧数。

num_frames (*Annotated[int | None, None]*, *kwargs*) : 当 *do_sample_frames=True* 时，采样的最大帧数。

return_metadata (*bool*, *kwargs*, *optional*，默认为 *False*) : 是否返回视频元数据。视频元数据是一个包含视频时长、帧率、解码后端等信息的对象。

return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : 如果设置，将返回特定框架的张量。可接受的值为： - *'pt'*：返回 PyTorch *torch.Tensor* 对象。 - *'np'*：返回 NumPy *np.ndarray* 对象。

max_num_frames (*int*, *kwargs*, *optional*，默认为 128)：每个视频采样的主帧最大数量。

stack_frames (*int*, *kwargs*, *optional*，默认为 1) : 每秒堆叠的子帧数。`1` 表示禁用堆叠。

max_slice_nums (*int*, *kwargs*, *optional*, 默认为 9) : 分割高分辨率图像时的最大切片数。

scale_resolution (*int*, *kwargs*, *optional*，默认为 448)：单个切片的分辨率。

patch_size (*int*, *kwargs*, *optional*, 默认值为 14) : 视觉编码器的空间补丁大小。

slice_mode (*bool*, *kwargs*, *optional*, 默认为 *True*) : 是否将图像分割为多个切片以提高分辨率。

downsample_mode (*str*, *kwargs*, *optional*, 默认为 *"16x"*)：视觉 token 下采样模式。*"16x"* 应用完全合并；*"4x"* 保留 4 倍数量的 token。

use_image_id (*bool*, *kwargs*, *optional*，默认为 *True*) : 是否在每个图像占位符前添加图像 ID 标签（`<image_id>N</image_id>`）。该参数由 Processor 用于生成占位符，而非由图像处理流水线本身使用。

- ****kwargs** ([*ProcessingKwargs*]，*可选*)：每种模态（文本、图像、视频、音频）的额外处理选项。模型特定参数已在上方列出；有关支持参数的完整列表，请参阅 TypedDict 类。

构建一个 MiniCPMV4_6VideoProcessor 视频处理器。

#### preprocess[[transformers.MiniCPMV4_6VideoProcessor.preprocess]]

```python
preprocess(videos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]]], **kwargs: *<class 'transformers.processing_utils.VideosKwargs'>)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/minicpmv4_6/video_processing_minicpmv4_6.py#L299)

**参数：**

videos (`Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]]`) : 待预处理的视频。期望输入单个视频或一批视频，其像素值范围为 0 到 255。如果传入的像素值在 0 到 1 之间，请设置 `do_rescale=False`。

do_convert_rgb (`bool`, *kwargs*, *可选*) : 是否将图像转换为 RGB。

do_resize (`bool`，*kwargs*，*可选*)：是否调整图像大小。

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*)：描述模型的最大输入维度。

default_to_square (`bool`, *kwargs*, *可选*) : 当 size 为 int 时，是否在调整大小时默认使用正方形图像。

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : 如果调整图像大小，则使用的重采样滤波器。它可以是枚举 `PILImageResampling` 中的一个值。仅当 `do_resize` 设置为 `True` 时才会生效。

do_rescale (`bool`, *kwargs*, *可选*) : 是否对图像进行重新缩放。

rescale_factor (`float`, *kwargs*, *可选*) : 当 `do_rescale` 设置为 `True` 时，用于对图像进行缩放的缩放因子。

do_normalize (`bool`, *kwargs*, *可选*) : 是否对图像进行归一化。

image_mean (`Union[float, list[float], tuple[float, ...]]`，*kwargs*，*可选*)：用于归一化的图像均值。仅当 `do_normalize` 设置为 `True` 时生效。

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *可选*) : 用于归一化的图像标准差。仅当 `do_normalize` 设置为 `True` 时生效。

do_center_crop (`bool`, *kwargs*, *可选*) : 是否对图像进行居中裁剪。

do_pad (`bool`, *kwargs*, *可选*) : 是否对图像进行填充。填充操作会将图像填充至批次中的最大尺寸，或填充至每张图像的固定正方形尺寸。具体的填充策略取决于模型。

crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : 应用 `center_crop` 后输出图像的尺寸。

data_format (`Union[str, ~image_utils.ChannelDimension]`，*kwargs*，*可选*)：仅支持 `ChannelDimension.FIRST`。为兼容旧版处理器而添加。

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *可选*) : 输入图像的通道维度格式。如果未设置，则从输入图像中推断通道维度格式。可以是以下之一： - `"channels_first"` 或 `ChannelDimension.FIRST`：图像为 (num_channels, height, width) 格式。 - `"channels_last"` 或 `ChannelDimension.LAST`：图像为 (height, width, num_channels) 格式。 - `"none"` 或 `ChannelDimension.NONE`：图像为 (height, width) 格式。

device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*)：用于处理视频的设备。如果未设置，则从输入视频中推断设备。

do_sample_frames (`bool`, *kwargs*, *可选*) : 是否在处理前从视频中采样帧，还是处理整个视频。

video_metadata (`Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]`, *kwargs*) : 视频的元数据，包含总时长、帧率（fps）和总帧数等信息。该元数据将用于从视频中采样帧或计算时间戳。除非您打算在预处理之前手动解码视频，否则请勿传入任何元数据。

fps (`Annotated[int | float | None, None]`, *kwargs*) : 当 `do_sample_frames=True` 时，每秒采样的目标帧数。

num_frames (`Annotated[int | None, None]`, *kwargs*) : 当 `do_sample_frames=True` 时，要采样的最大帧数。

return_metadata (`bool`, *kwargs*, *可选*) : 是否返回视频元数据。视频元数据是一个包含视频时长、帧率、解码后端等信息的对象。

return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : 如果设置为 `'pt'`，则返回堆叠的张量，否则返回张量列表。

**返回：** `~image_processing_base.BatchFeature`

- **data** (`dict`) -- 由 __call__ 方法返回的列表/数组/张量字典（例如 'pixel_values'）。
- **tensor_type** (`Union[None, str, TensorType]`，*可选*) -- 您可以在此处指定 tensor_type，以便在初始化时将 PyTorch/Numpy 张量中的整数列表进行转换。

