版本更新:huggingface/transformers v5.5.0,提升开发者接入体验
HuggingFace Transformers 发布 v5.5.0 版本,新增 Gemma4 多模态模型、NomicBERT 长上下文文本嵌入模型和 MusicFlamingo 音频语言模型,并修复多项问题,优化缓存和开发者体验。
原贴
查看原文原文
中文翻译
发布 v5.5.0
新模型添加
Gemma4
Gemma 4 是一个多模态模型,具有预训练和指令微调变体,参数规模包括 1B、13B 和 27B。其架构与之前的 Gemma 版本大致相同。关键区别在于一个视觉处理器,能够输出固定 token 预算的图像,以及一个空间 2D RoPE,用于在高度和宽度轴上编码视觉特定信息。您可以在 Gemma 4 版本下找到所有原始 Gemma 4 检查点。与之前 Gemma 版本的关键区别在于新设计,使用固定 token 数量处理不同尺寸的图像。与许多将每张图像压缩为固定方形(如 224×224)的模型不同,Gemma 4 在调整图像大小的同时保持其自然宽高比。需要遵循一些约束:总像素数必须符合 patch 预算;高度和宽度必须能被 48 整除(= patch 大小 16 × 池化核 3)。重要提示:Gemma 4 不应用许多其他视觉模型使用的标准 ImageNet 均值/标准差归一化。模型自身的 patch 嵌入层在内部处理最终缩放(将值移至 [-1, 1] 范围)。图像处理器可生成的“软 token”(即视觉 token)数量是可配置的。支持的选项如下所示,默认为每张图像 280 个软 token。软 token、Patches(池化前)、大致图像面积:70、630、~161K 像素;140、1,260、~323K 像素;280、2,520、~645K 像素;560、5,040、~1.3M 像素;1,120、10,080、~2.6M 像素。为了对图像中每个 patch 的位置信息进行编码,Gemma 4 使用一个学习到的 2D 位置嵌入表。该位置表每轴最多存储 10,240 个位置,使模型能够处理非常大的图像。每个位置是一个学习到的向量,维度与 patch 嵌入相同。Gemma 4 使用的 2D RoPE 独立地将一半注意力头维度旋转用于 x 轴,另一半用于 y 轴。这使得模型能够理解空间关系,如“上方”、“下方”、“左侧”和“右侧”。
NomicBERT
NomicBERT 是一个受 BERT 启发的编码器模型,应用旋转位置嵌入(RoPE)创建可复现的长上下文文本嵌入。它是首个完全可复现、开源的文本嵌入模型,上下文长度为 8192,在短上下文 MTEB 和长上下文 LoCo 基准测试中均优于 OpenAI Ada-002 和 OpenAI text-embedding-3-small。该模型为各种任务生成密集向量嵌入,包括搜索、聚类和分类,使用特定的指令前缀。链接:文档 | 论文。Internalise the NomicBERT model ( #43067 ) by @ed22699 in #43067
MusicFlamingo
Music Flamingo 是一个完全开源的大型音频-语言模型,专为对音乐的稳健理解和推理而设计。它基于 Audio Flamingo 3 架构,增加了旋转时间嵌入(RoTE),注入时间位置信息,使模型能够处理长达 20 分钟的音频序列。该模型具有统一的音频编码器,涵盖语音、声音和音乐,并带有特殊的声音边界 token,以改进音频序列建模。链接:文档 | 论文。Add Music Flamingo ( #43538 ) by @lashahub in #43538
重大变更
Mamba 和混合模型缓存现已成为库中的一级原生公民,因此使用基于 Mamba 或混合(Mamba + 注意力)模型的用户应更新代码以使用新的原生缓存类,而不是之前的任何变通方法。🚨 [Cache] Native mamba & hybrid cache ( #44950 ) by @Cyrilvallez
从原生 LightGlue 集成中移除了远程代码执行支持,因此之前使用 trust_remote_code=True 加载 LightGlue 的用户必须移除该参数,并通过标准原生 API 直接使用模型。🚨 [ LightGlue ] Remove remote code execution ( #45122 ) by @vasqu
视觉
此版本修复了多个视觉相关错误,包括修正 Gemma 视觉掩码以支持视频输入,解决了一个依赖问题(该问题错误地要求 torchvision 用于基于 PIL 的图像处理器),并修补了 Janus 图像生成模型和图像加载中的错误。还修正了分词器和图像处理器的本地代码解析。Generalize gemma vision mask to videos ( #45185 ) by @zucchini-nlp in [ #45185 ] Fix explicit local code resolution for tokenizers and image processors ( #45169 ) by @hmellor in [ #45169 ] fix bug for janus model image generation ( #45044 ) by @kaixuanliu in [ #45044 ] [Bugfix] Remove incorrect torchvision requirement from PIL backend image processors ( #45045 ) by @Lidang-Jiang in [ #45045 ] Avoid Image.open failure ( #44645 ) by @sywangyi in [ #44645 ]
缓存
改进了仓库检查(check-repo)的性能,通过引入文件级和 AST 级磁盘缓存,实现了高达 27 倍的加速(从约 46 秒到热缓存时的约 1.6 秒),并修复了 .gitignore 中的 mlinter 缓存位置。refactoring: speedup static checks with disk cache ( #44992 ) by @tarekziade in [ #44992 ] refactor: added cache in check_repo ( #45012 ) by @tarekziade in [ #45012 ] chore: Fix mlinter cache location ( #45052 ) by @tarekziade in [ #45052 ]
错误修复与改进
Fix resized LM head weights being overwritten by post_init ( #45079 ) by @javierdejesusda in [ #45079 ] [Qwen3.5 MoE] Add _tp_plan to ForConditionalGeneration ( #45124 ) by @danielquintas8 in [ #45124 ] fix(models): Fix dtype mismatch in SwitchTransformers and TimmWrapperModel ( #45074 ) by @harshaljanjani in [ #45074 ] [misc] fix qwen35 tests: correct the text model type and skip reverse_mapping ( #45173 ) by @JJJYmmm in [ #45173 ] 🔒 Pin GitHub Actions to commit SHAs ( #45180 ) by @paulinebm in [ #45180 ] Use doc-builder runnable example for GLM-ASR ( #44277 ) by @tarekziade in [ #44277 ] CI] Small T5 expectations updated ( #45138 ) by @Abdennacer-Badaoui in [ #45138 ] fix: correct type annotations across config classes
[以下内容已截断,原文仍保留在数据库中。]
来源:ArthurZucker 分数:72
核心信息
HuggingFace Transformers 发布 v5.5.0 版本,新增 Gemma4 多模态模型、NomicBERT 长上下文文本嵌入模型和 MusicFlamingo 音频语言模型,并修复多项问题,优化缓存和开发者体验。
- HuggingFace Transformers v5.5.0 发布,新增三款重磅模型
- Gemma 4 支持非对称图像编码,适配任意宽高比
- NomicBERT 开源且优于 OpenAI Ada-002,适合RAG
- MusicFlamingo 可处理长达20分钟的音频
- 缓存加速27倍,开发者需迁移Mamba缓存代码
详细解读
信号解读
HuggingFace Transformers v5.5.0 的发布标志着开源 AI 生态在三个关键方向上的加速:多模态推理、长上下文文本嵌入和音频理解。Gemma 4 引入了非对称图像编码(保持宽高比的固定token预算),这是对传统视觉模型(如 ViT 的固定分辨率)的显着改进;NomicBERT 第一次在开源模型中实现了对 OpenAI 闭源嵌入模型(Ada-002)的超越,且完全可复现;MusicFlamingo 则为音乐行业的 AI 应用提供了基础模型。
为什么重要
对于 AI 开发者和企业用户,这些变化意味着:1)多模态任务(如视觉问答)现在有了更高效的编码方案,尤其适合需要处理不规则尺寸图像的应用(如文档、截图);2)文本嵌入不再依赖闭源服务,NomicBERT 的 8192 上下文长度和开源属性降低了检索增强生成(RAG)的部署成本和风险;3)音频-语言模型扩展到 20 分钟序列,打开了长音频分析(如播客、会议记录)的实践空间。此外,缓存加速和 bug 修复直接提升了开发者日常迭代效率。
对谁有价值
主要价值对象包括:使用 Transformers 库进行模型微调或推理的工程师(需要更新缓存代码)、构建多模态搜索或内容理解产品的团队(可评估 Gemma 4 的图像编码方式)、以及寻求替代 OpenAI 嵌入模型的 RAG 开发者(NomicBERT 是低成本选择)。
行动建议
- 立即更新 Transformers 库至 v5.5.0,并测试 Mamba/混合缓存的迁移,以利用性能提升。
- 对于图像处理场景,试用 Gemma 4 的 soft token 配置(默认 280 可调),验证其在非正方形图像上的表现。
- 在 RAG 流水线中替换 text-embedding-3-small 为 NomicBERT,使用其提供的指令前缀进行 MTEB 基准测试。
- 探索 MusicFlamingo 在音乐推荐或音频摘要任务中的适用性,注意其 20 分钟上限。
风险与限制
Gemma 4 仍处于早期阶段(基于较新架构),社区生态不如已成熟的 ViT 模型;NomicBERT 在长上下文 LoCo 基准上虽优于 OpenAI,但不同领域(如法律、医学)需自行验证;MusicFlamingo 对非音乐音频(如纯语音)的鲁棒性未充分说明。此外,移除远程代码执行可能导致部分旧有 LightGlue 集成失效,需及时适配。
信息差价值
信息差价值:大多数开发者仍依赖闭源嵌入模型或传统视觉模型,而 v5.5.0 提供了性能更优且透明的开源替代方案。Gemma 4 的固定token预算设计可能成为处理不规则图像的新范式,目前尚未广泛讨论。NomicBERT 的开源可复现特性为合规性敏感的场景(如金融、医疗)打开了低成本嵌入的大门。
业务启发:对于内容平台,可整合 Gemma 4 的视觉编码提升商品图片搜索准确率;对于知识库产品,替换为 NomicBERT 可降低推理成本的同时保持甚至提升检索质量;音频类应用(如播客工具)可基于 MusicFlamingo 构建智能摘要功能。这些方向均能快速形成差异化体验。
可沉淀动作:1)更新 Transformers 库后,将现有 Mamba 模型缓存迁移至新原生类,并记录迁移后的性能数据;2)在内部 Benchmark 中对比 NomicBERT 与当前使用嵌入模型的准确率和延迟,形成选型报告;3)试用 Gemma 4 的多模态能力,输出一个最小可行性 demo(如图文问答),评估其生产化潜力。