Hugging Face's logo

Transformers documentation

Evolla

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Model ini disumbangkan ke Hugging Face Transformers pada 2025-07-26.

Evolla

Ikhtisar

The Evolla model was proposed in Decoding the Molecular Language of Proteins with Evolla by Zhou et al..

Evolla adalah model generatif protein-bahasa tingkat lanjut dengan 80 miliar parameter yang dirancang untuk menguraikan bahasa molekuler protein. Model ini mengintegrasikan informasi dari sekuens, struktur, dan kueri pengguna untuk menghasilkan wawasan yang presisi dan bernuansa kontekstual mengenai fungsi protein. Dilatih pada dataset yang dihasilkan AI tanpa preseden, terdiri dari 546 juta pasangan pertanyaan-jawaban protein dan 150 miliar token kata, Evolla secara signifikan memajukan penelitian dalam proteomik dan genomik fungsional, menyediakan wawasan tingkat ahli dan menyoroti logika molekuler yang terkode dalam protein.

Abstrak dari makalah tersebut adalah sebagai berikut:

Protein, mesin molekuler yang rumit dari alam, merupakan hasil miliaran tahun evolusi dan memainkan peran fundamental dalam mempertahankan kehidupan. Namun, menguraikan bahasa molekuler mereka—yaitu memahami bagaimana urutan dan struktur protein mengodekan serta menentukan fungsi biologis—tetap menjadi tantangan utama dalam biologi modern. Di sini, kami memperkenalkan Evolla, model generatif bahasa protein frontier 80 miliar yang dirancang untuk menguraikan bahasa molekuler protein. Dengan mengintegrasikan informasi dari urutan, struktur, dan kueri pengguna, Evolla menghasilkan wawasan yang presisi dan bernuansa kontekstual mengenai fungsi protein. Inovasi utama Evolla terletak pada pelatihannya menggunakan dataset yang dihasilkan AI tanpa preseden: 546 juta pasangan pertanyaan-jawaban protein dan 150 miliar token kata, yang dirancang untuk mencerminkan kompleksitas dan keragaman fungsi protein yang luar biasa. Setelah pra-pelatihan, Evolla mengintegrasikan Direct Preference Optimization (DPO) untuk menyempurnakan model berdasarkan sinyal preferensi dan Retrieval-Augmented Generation (RAG) untuk penggabungan pengetahuan eksternal, sehingga meningkatkan kualitas dan relevansi respons. Untuk mengevaluasi kinerjanya, kami mengusulkan kerangka kerja baru, Instructional Response Space (IRS), yang menunjukkan bahwa Evolla memberikan wawasan tingkat ahli, mendorong penelitian dalam proteomik dan genomik fungsional sambil menerangi logika molekuler yang terkodekan dalam protein. Demo daring tersedia di http://www.chat-protein.com/.

Contoh:

processor = EvollaProcessor.from_pretrained("westlake-repl/Evolla-10B-DPO-hf")
model = EvollaForProteinText2Text.from_pretrained("westlake-repl/Evolla-10B-DPO-hf", device_map="auto")
# aa_seq should have same length as foldseek
protein_inputs = [
    {

        "aa_seq": "MATGGRRG...",
        "foldseek": "###lqpfd...", # hashtag means the low-confidence foldseek tokens
    },
    {
        "aa_seq": "MLPGLALL...",
        "foldseek": "dfwwkwad...",
    }
]
message_list = [
    [
        {
            "role": "system",
            "content": "You are an AI expert that can answer any questions about protein.",
        },
        {"role": "user", "content": "What is the function of this protein?"},
    ],
    [
        {
            "role": "system",
            "content": "You are an AI expert that can answer any questions about protein.",
        },
        {"role": "user", "content": "What is the function of this protein?"},
    ]
]
input_dict = processor(
    protein_inputs, messages_list, return_tensors="pt", text_max_length=512, protein_max_length=1024
)
with torch.no_grad():
    generated_ids = hf_model.generate(**input_dict)
generated_texts = processor.batch_decode(
    generated_ids, skip_special_tokens=True
)

Tips:

EvollaConfig

kelas transformers.EvollaConfig

< >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Noneprotein_encoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonevocab_size: int = 128256hidden_size: int = 4096intermediate_size: int = 14336num_hidden_layers: int = 32num_attention_heads: int = 32num_key_value_heads: int | None = 8hidden_act: str = 'silu'max_position_embeddings: int = 8192rms_norm_eps: float = 1e-05rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = Noneattention_bias: bool = Falseattention_dropout: float | int | None = 0.0mlp_bias: bool = Falsealigner_ffn_mult: int | None = 4aligner_enable_bias: bool | None = Truealigner_attention_probs_dropout_prob: float | None = 0.1aligner_num_add_layers: int | None = 8resampler_depth: int | None = 6resampler_dim_head: int | None = 64resampler_heads: int | None = 8resampler_num_latents: int | None = 64resampler_ff_mult: int | None = 4initializer_range: float = 0.02pad_token_id: int | None = Nonebos_token_id: int | None = 128000eos_token_id: int | list[int] | None = 128009use_cache: bool = Falsetie_word_embeddings: bool = Falseis_decoder: bool | None = Falseadd_cross_attention: bool | None = False )

Parameter

  • protein_encoder_config (dict, opsional) — Kamus opsi konfigurasi yang digunakan untuk menginisialisasi SaProtConfig.
  • vocab_size (int, opsional, default 128256) — Ukuran kosakata model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh input_ids.
  • hidden_size (int, opsional, default 4096) — Dimensi dari representasi tersembunyi.
  • intermediate_size (int, opsional, default 14336) — Dimensi representasi MLP.
  • num_hidden_layers (int, opsional, default 32) — Jumlah lapisan tersembunyi dalam decoder Transformer.
  • num_attention_heads (int, opsional, default 32) — Jumlah attention head untuk setiap lapisan attention di decoder Transformer.
  • num_key_value_heads (int, opsional, default 8) — Ini adalah jumlah key_value heads yang harus digunakan untuk mengimplementasikan Grouped Query Attention. Jika num_key_value_heads=num_attention_heads, model akan menggunakan Multi Head Attention (MHA), jika num_key_value_heads=1 model akan menggunakan Multi Query Attention (MQA), selain itu GQA yang digunakan. Saat mengkonversi checkpoint multi-head menjadi checkpoint GQA, setiap group key dan value head harus dibangun dengan meanpooling semua head asli di dalam grup tersebut. Untuk detail lebih lanjut, lihat paper ini. Jika tidak ditentukan, akan default ke num_attention_heads.
  • hidden_act (str, opsional, defaultnya silu) — Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, "gelu", "relu", "silu", dan sebagainya.
  • max_position_embeddings (int, opsional, default 8192) — Panjang maksimum urutan yang mungkin digunakan dengan model ini.
  • rms_norm_eps (float, opsional, defaultnya 1e-05) — Epsilon yang digunakan oleh lapisan normalisasi rms.
  • rope_parameters (Union[~modeling_rope_utils.RopeParameters, dict], opsional) — Kamus yang berisi parameter konfigurasi untuk embedding RoPE. Kamus tersebut harus berisi nilai untuk rope_theta dan secara opsional parameter yang digunakan untuk penskalaan jika Anda ingin menggunakan RoPE dengan max_position_embeddings yang lebih panjang.
  • attention_bias (bool, opsional, default False) — Apakah akan menggunakan bias pada lapisan proyeksi query, key, value, dan output selama self-attention.
  • attention_dropout (Union[float, int], opsional, default 0.0) — Rasio dropout untuk probabilitas perhatian.
  • mlp_bias (bool, opsional, default False) — Apakah akan menggunakan bias pada lapisan up_proj, down_proj, dan gate_proj di dalam lapisan MLP.
  • aligner_ffn_mult (int, opsional, default 4) — Pengali FFN untuk lapisan aligner.
  • aligner_enable_bias (bool, opsional, default True) — Apakah akan menggunakan bias pada lapisan aligner.
  • aligner_attention_probs_dropout_prob (float, opsional, default 0.1) — Rasio dropout untuk probabilitas perhatian di lapisan aligner.
  • aligner_num_add_layers (int, opsional, defaultnya 8) — Jumlah lapisan tambahan untuk lapisan aligner.
  • resampler_depth (int, opsional, defaultnya 6) — Kedalaman lapisan resampler dalam model llama.
  • resampler_dim_head (int, opsional, default 64) — Dimensi dari head pada lapisan resampler dalam model llama.
  • resampler_heads (int, opsional, defaultnya 8) — Jumlah head pada lapisan resampler dalam model llama.
  • resampler_num_latents (int, opsional, defaultnya 64) — Jumlah latents pada lapisan resampler dalam model llama.
  • resampler_ff_mult (int, opsional, default 4) — Pengali FFN untuk lapisan resampler.
  • initializer_range (float, opsional, defaultnya 0.02) — Standar deviasi dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot.
  • pad_token_id (int, opsional) — ID token yang digunakan untuk padding dalam kosakata.
  • bos_token_id (int, opsional, default 128000) — ID token yang digunakan untuk awal aliran (beginning-of-stream) dalam kosakata.
  • eos_token_id (Union[int, list[int]], opsional, default 128009) — ID token yang digunakan untuk end-of-stream dalam kosakata.
  • use_cache (bool, opsional, default False) — Apakah model harus mengembalikan perhatian kunci/nilai terakhir (tidak digunakan oleh semua model). Hanya relevan jika config.is_decoder=True atau ketika model adalah model generatif yang hanya decoder.
  • tie_word_embeddings (bool, opsional, default False) — Apakah akan mengikat bobot embedding sesuai dengan pemetaan tied_weights_keys model.
  • is_decoder (bool, opsional, default False) — Apakah model digunakan sebagai decoder atau tidak. Jika False, model digunakan sebagai encoder.
  • add_cross_attention (bool, opsional, default False) — Apakah lapisan cross-attention harus ditambahkan ke model.

Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari EvollaModel. Kelas ini digunakan untuk membuat instans model Evolla sesuai dengan argumen yang ditentukan, sehingga mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari westlake-repl/Evolla-10B-hf

Objek konfigurasi mewarisi dari PreTrainedConfig dan dapat digunakan untuk mengontrol output model. Baca dokumentasi dari PreTrainedConfig untuk informasi lebih lanjut.

Contoh:

>>> from transformers import EvollaModel, EvollaConfig

>>> # Initializing a Evolla evolla-10b style configuration
>>> configuration = EvollaConfig()

>>> # Initializing a model from the evolla-10b style configuration
>>> model = EvollaModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

EvollaModel

kelas transformers.EvollaModel

< >

( config: EvollaConfig )

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.LongTensor] = Nonepast_key_values: transformers.cache_utils.Cache | None = Noneinputs_embeds: typing.Optional[torch.Tensor] = Noneuse_cache: bool | None = Noneprotein_input_ids: typing.Optional[torch.LongTensor] = Noneprotein_attention_mask: typing.Optional[torch.Tensor] = Nonestructure_feats: typing.Optional[torch.Tensor] = Nonemsa_feats: typing.Optional[torch.Tensor] = Nonestructure_batch_mask: typing.Optional[torch.Tensor] = Nonemsa_batch_mask: typing.Optional[torch.Tensor] = None**kwargs ) → BaseModelOutputWithPast or tuple(torch.Tensor)

Parameter

  • input_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default.

    Indeks dapat diperoleh menggunakan AutoTokenizer. Lihat PreTrainedTokenizer.encode() dan PreTrainedTokenizer.call() untuk detailnya.

    Apa itu input ID?

  • attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
    • 1 untuk token yang tidak dimasker,
    • 0 untuk token yang dimasker.

    Apa itu attention mask?

  • position_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks posisi token dari setiap urutan input dalam position embeddings. Dipilih dalam rentang [0, config.n_positions - 1].

    Apa itu ID posisi?

  • past_key_values (~cache_utils.Cache, opsional) — Hidden-states yang sudah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari past_key_values yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika use_cache=True atau config.use_cache=True.

    Hanya instance Cache yang diizinkan sebagai input, lihat panduan kv cache kami. Jika tidak ada past_key_values yang diteruskan, DynamicCache akan diinisialisasi secara default.

    Model akan menghasilkan format cache yang sama dengan yang diberikan sebagai input.

    Jika past_key_values digunakan, pengguna diharapkan hanya memasukkan input_ids yang belum diproses (yang tidak memiliki state past key value yang diberikan ke model ini) dengan bentuk (batch_size, unprocessed_length) alih-alih semua input_ids dengan bentuk (batch_size, sequence_length).

  • inputs_embeds (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size), opsional) — Secara opsional, alih-alih meneruskan input_ids, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Hal ini berguna jika Anda ingin memiliki kendali lebih atas cara mengonversi indeks input_ids menjadi vektor terkait, dibandingkan dengan matriks pencarian penanaman internal model.
  • use_cache (bool, opsional) — Jika diset ke True, state kunci-nilai past_key_values akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat past_key_values).
  • protein_input_ids (torch.LongTensor, opsional) — ID input untuk urutan protein dalam token yang sadar struktur. Harus memiliki bentuk (batch_size, protein_seq_length) dan tipe torch.LongTensor.
  • protein_attention_mask (torch.Tensor, opsional) — Attention mask untuk urutan protein. Harus memiliki bentuk (batch_size, protein_seq_length) dan tipe torch.Tensor.
  • structure_feats (torch.Tensor, opsional) — ID input untuk fitur yang murni berbasis struktur. Harus memiliki bentuk (batch_size, structure_seq_length, structure_feat_dim) dan tipe torch.Tensor. Input dummy untuk saat ini.
  • msa_feats (torch.Tensor, opsional) — ID input untuk fitur yang murni berbasis MSA. Harus memiliki bentuk (batch_size, msa_seq_length, msa_feat_dim) dan tipe torch.Tensor. Input dummy untuk saat ini.
  • structure_batch_mask (torch.Tensor, opsional) — Mask batch untuk menentukan urutan protein mana yang murni berbasis struktur. Harus memiliki bentuk (batch_size) dan tipe torch.Tensor. Harus berpasangan dengan structure_feats. Input dummy untuk saat ini.
  • msa_batch_mask (torch.Tensor, opsional) — Mask batch untuk menentukan urutan protein mana yang murni berbasis MSA. Harus memiliki bentuk (batch_size) dan tipe torch.Tensor. Harus berpasangan dengan msa_feats. Input dummy untuk saat ini.

Mengembalikan

BaseModelOutputWithPast atau tuple(torch.Tensor)

Sebuah BaseModelOutputWithPast atau tuple dari torch.Tensor (jika return_dict=False diteruskan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (None) dan input.

Metode forward dari EvollaModel menimpa metode khusus __call__.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance Module setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

  • last_hidden_state (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size)) — Urutan hidden-states pada keluaran lapisan terakhir model.

    Jika past_key_values digunakan, hanya hidden-state terakhir dari sekuens dengan bentuk (batch_size, 1, hidden_size) yang dioutput.

  • past_key_values (Cache, opsional, dikembalikan saat use_cache=True dilewatkan atau saat config.use_cache=True) — Ini adalah instance Cache. Untuk detail lebih lanjut, lihat panduan kv cache kami.

    Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention, dan secara opsional jika config.is_encoder_decoder=True di blok cross-attention) yang dapat digunakan (lihat input past_key_values) untuk mempercepat decoding berurutan.

  • hidden_states (tuple(torch.Tensor), opsional, dikembalikan saat output_hidden_states=True dilewatkan atau saat config.output_hidden_states=True) — Tuple dari torch.Tensor (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk (batch_size, sequence_length, hidden_size).

    Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.

  • attentions (tuple(torch.Tensor), opsional, dikembalikan saat output_attentions=True dilewatkan atau saat config.output_attentions=True) — Tuple dari torch.Tensor (satu untuk setiap layer) dengan bentuk (batch_size, num_heads, sequence_length, sequence_length).

    Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala perhatian diri (self-attention).

EvollaForProteinText2Text

kelas transformers.EvollaForProteinText2Text

< >

( config: EvollaConfig )

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonelabels: typing.Optional[torch.LongTensor] = Noneprotein_input_ids: typing.Optional[torch.LongTensor] = Noneprotein_attention_mask: typing.Optional[torch.Tensor] = Noneuse_cache: bool | None = Nonelogits_to_keep: typing.Union[int, torch.Tensor] = 0**kwargs )

Parameter

  • input_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default.

    Indeks dapat diperoleh menggunakan AutoTokenizer. Lihat PreTrainedTokenizer.encode() dan PreTrainedTokenizer.call() untuk detailnya.

    Apa itu input ID?

  • attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
    • 1 untuk token yang tidak dimasker,
    • 0 untuk token yang dimasker.

    Apa itu attention mask?

  • inputs_embeds (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size), opsional) — Secara opsional, alih-alih meneruskan input_ids, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Hal ini berguna jika Anda ingin memiliki kendali lebih atas cara mengonversi indeks input_ids menjadi vektor terkait, dibandingkan dengan matriks pencarian penanaman internal model.
  • labels (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Label untuk menghitung kerugian pemodelan bahasa yang disamarkan (masked language modeling). Indeks harus berada dalam [0, ..., config.vocab_size] atau -100 (lihat docstring input_ids). Token dengan indeks yang disetel ke -100 diabaikan (disamarkan), kerugian hanya dihitung untuk token dengan label dalam [0, ..., config.vocab_size].
  • protein_input_ids (torch.LongTensor, opsional) — ID input untuk urutan protein. Harus memiliki bentuk (batch_size, protein_seq_length) dan tipe torch.LongTensor.
  • protein_attention_mask (torch.Tensor, opsional) — Attention mask untuk urutan protein. Harus memiliki bentuk (batch_size, protein_seq_length) dan tipe torch.Tensor.
  • use_cache (bool, opsional) — Jika diset ke True, state kunci-nilai past_key_values akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat past_key_values).
  • logits_to_keep (Union[int, torch.Tensor], opsional, default 0) — Jika berupa int, hitung logits untuk logits_to_keep token terakhir. Jika 0, hitung logits untuk semua input_ids (kasus khusus). Hanya logits token terakhir yang diperlukan untuk generasi, dan menghitungnya hanya untuk token tersebut dapat menghemat memori, yang menjadi cukup signifikan untuk urutan panjang atau ukuran kosakata besar. Jika berupa torch.Tensor, harus 1D yang sesuai dengan indeks yang akan dipertahankan pada dimensi panjang urutan. Ini berguna saat menggunakan format tensor terpadu (satu dimensi untuk batch dan panjang urutan).

Metode forward dari EvollaForProteinText2Text menimpa metode khusus __call__.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance Module setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

Contoh:

>>> from transformers import EvollaProcessor, EvollaForProteinText2Text
>>> model = EvollaForProteinText2Text.from_pretrained("westlake/Evolla-10B-hf")
>>> processor = EvollaProcessor.from_pretrained("westlake/Evolla-10B-hf")

>>> protein_information = {
    "aa_seq": "your amino acid sequence",
    "foldseek": "your foldseek sequence",
}
>>> question = "What is the function of this protein?"
>>> message = [
    {"role": "system", "content": "You are an AI expert that can answer any questions about protein."},
    {"role": "user", "content": question},
]

>>> inputs = processor(proteins=[protein_information], messages_list=[message], return_tensors="pt", padding="longest")
>>> outputs = model.generate(**inputs)

>>> print(processor.batch_decode(outputs, skip_special_tokens=True))

EvollaProcessor

kelas transformers.EvollaProcessor

< >

( protein_tokenizertokenizer = Noneprotein_max_length = 1024text_max_length = 512**kwargs )

Parameter

  • protein_tokenizer (EsmTokenizer) — Instans dari EsmTokenizer. Protein tokenizer adalah input yang wajib.
  • tokenizer (tokenizer_class) — Tokenizer adalah input yang wajib.
  • protein_max_length (int, opsional, default 1024) — Panjang maksimum dari urutan yang akan dihasilkan.
  • text_max_length (int, opsional, defaultnya 512) — Panjang maksimum teks yang akan dihasilkan.

Membangun EvollaProcessor yang membungkus protein tokenizer dan tokenizer menjadi satu processor.

EvollaProcessor menyediakan semua fungsionalitas dari {protein_tokenizer_class} dan tokenizer_class. Lihat ~{protein_tokenizer_class} dan ~tokenizer_class untuk informasi lebih lanjut.

__call__

< >

( proteins: list[dict] | dict | None = Nonemessages_list: list[list[dict]] | list[dict] | None = Noneprotein_max_length: int | None = Nonetext_max_length: int | None = None**kwargs ) → a dict with following keys

Parameter

  • proteins (Union[List[dict], dict]) — Daftar kamus atau satu kamus tunggal yang berisi kunci-kunci berikut:
    • "aa_seq" (str) — Urutan asam amino dari protein.
    • "foldseek" (str) — String foldseek dari protein.
  • messages_list (Union[List[List[dict]], List[dict]]) — Daftar dari daftar kamus atau daftar kamus yang berisi kunci-kunci berikut:
    • "role" (str) — Peran dari pesan tersebut.
    • "content" (str) — Konten dari pesan.
  • protein_max_length (int, opsional, default 1024) — Panjang maksimum dari urutan yang akan dihasilkan.
  • text_max_length (int, opsional, defaultnya 512) — Panjang maksimum teks.
  • return_tensors (str atau TensorType, opsional) — Jika diset, akan mengembalikan tensor dari framework tertentu. Nilai yang dapat diterima adalah:
    • 'pt': Mengembalikan objek PyTorch torch.Tensor.
    • 'np': Mengembalikan objek NumPy np.ndarray.

Mengembalikan

dict dengan kunci-kunci berikut

  • protein_input_ids (torch.Tensor dengan bentuk (batch_size, sequence_length)) — ID input untuk urutan protein.
  • protein_attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length)) — Mask perhatian untuk urutan protein.
  • text_input_ids (torch.Tensor dengan bentuk (batch_size, sequence_length)) — ID input untuk urutan teks.
  • text_attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length)) — Mask perhatian untuk urutan teks.
Update on GitHub

←ernie4_5_vl_moe FastVLM→