# DeepSeek-V4

[DeepSeek-V4](https://huggingface.co/deepseek-ai)は、DeepSeekによる次世代のMoE言語モデルです（[論文](https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash/blob/main/DeepSeek_V4.pdf)）。このアーキテクチャでは、DeepSeek-V3のMulti-head Latent Attention (MLA)をローカルと長距離のハイブリッド設計に置き換え、残差接続をManifold-Constrained Hyper-Connections (mHC)に変更し、最初の数層のMoE層には静的なtoken-id → expert-idハッシュテーブルでブートストラップを行います。

この実装は、`DeepSeek-V4-Flash`、`DeepSeek-V4-Pro`、およびそれらの`-Base`事前学習モデルに対応しています。4モデルはいずれも同じアーキテクチャを共有しており、幅・深さ・エキスパート数と重みの違いのみです。

> [!TIP]
> `use_kernels=True` を [from_pretrained()](/docs/transformers/main/ja/main_classes/model#transformers.PreTrainedModel.from_pretrained) に設定すると、対応するレイヤーが Hub からの最適化されたカーネルに置き換えられます。詳細は [カーネルの読み込み](../kernel_doc/loading_kernels) を参照してください。

## Architecture (paper §2)

### ハイブリッドアテンション(§2.3)

各デコーダーブロックは3つのアテンションタイプのいずれかであり、`config.layer_types[i]`によってディスパッチされます。

* **スライディングウィンドウによるフルアテンション**（`"sliding_attention"`）: `sliding_window`トークンのローカルウィンドウのみを使用し、長距離ブランチはありません。ブートストラップ層では、V3の「Full Attention」スタイルに一致します。
* **Compressed Sparse Attention**（`"compressed_sparse_attention"`、**CSA** — 論文 §2.3.1）: 重複するウィンドウを持つ低圧縮プール（`compress_rate_csa`、デフォルトは `m=4`）と、クエリをプールに対してスコアリングし、コアアテンションに到達する前にクエリごとに上位 `index_topk` ブロックを集める **Lightning Indexer**（式 13–17）から構成されます。
* **Heavily Compressed Attention**（`"heavily_compressed_attention"`、**HCA** — 論文 §2.3.2）: 重複しないウィンドウを持つ、高圧縮プール（`compress_rate_hca`、デフォルトは `m'=128`）です。インデクサーは不要で、プールされたすべてのエントリがアテンションに寄与します。

3つのタイプはすべて同じバックボーンを共有しています:

* **共有 K=V マルチクエリアテンション**: `num_key_value_heads = 1`; `kv_proj` は単一の KV ヘッドを生成し、同じテンソルがキーとバリューの両方として読み取られます。
* **Partial RoPE**（interleaved-pair、論文 §2.3.3 "Partial Rotary Positional Embedding"）は、各ヘッドの末尾の `qk_rope_head_dim = head_dim * partial_rotary_factor` チャネルに適用されます。同じ回転が、位置 `-i` を用いてアテンション出力の rope スライス（式 26）にも適用されるため、各 KV エントリの寄与はクエリに対する*相対*距離の関数として保たれます。
* **ヘッドごとの学習可能なアテンションシンク**(式 27)。
* **グループ化された低ランク出力投影**(§2.3.1 "Grouped Output Projection"): `o_groups` 個のヘッドグループ → グループごとに `o_lora_rank` → `hidden_size`。まず `DeepseekV4GroupedLinear` (`o_a_proj`) を適用し、続いて `o_b_proj` を適用して計算します。表現力を損なうことなく、ワイドなアテンション出力のトークンごとのコストを削減します。
* サイズ `sliding_window` の **共有スライディングウィンドウ K=V ブランチ**（「Additional Branch of Sliding Window Attention」、§2.3.1）は、局所的な微細な依存関係を保持します。長距離コンプレッサーの出力は、コアアテンションの前にこのブランチの KV と連結されます。

### Manifold-Constrained Hyper-Connections（§2.2）

残差接続は mHC (Xie et al., 2026) に置き換えられます: `hc_mult` 本の並列残差ストリームが、各ブロック全体を通じて形状 `[B, S, hc_mult, D]` で保持されます。2つの `DeepseekV4HyperConnection` モジュール、すなわち `attn_hc` と `ffn_hc` が、`(pre, post, comb)` のトリプレットを介して、アテンション / MLP サブレイヤーの前後でストリームを混合します。`comb` 行列は、マンifold 上での `hc_sinkhorn_iters` 回の Sinkhorn–Knopp 反復によって生成される二重確率的射影であり、深いスタック全体での信号伝播が非拡張的になるようにします。最後に、`DeepseekV4HyperHead` がモデルノームの前に `hc_mult` 本のストリームを単一のシーケンスに集約します。

### MoEスケジュール(§2.1)

ルーティングは`config.mlp_layer_types`によってレイヤーごとに設定され、`{"hash_moe", "moe"}`のいずれかの値が指定されます。

* `"hash_moe"`: エキスパートのインデックスは、V4 チェックポイントから設定された凍結済みの`tid2eid[input_ids]`ルックアップから取得されます。学習されたゲートの`weight`は、選択されたエキスパートを重み付けするためのエキスパートごとのスコアを依然として生成しますが、静的なのは*どのエキスパートを選択するか*のみです。最初の数層のブートストラップ層（デフォルトは3層、レガシーの`num_hash_layers`で上書き可能）で使用されます。
* `"moe"`: 標準的な top-k ルーティング MoE。エキスパートのアフィニティには、V3 の Sigmoid の代わりに **Sqrt(Softplus(·))** が使用されます（論文 §2.1: 「アフィニティスコアを計算する活性化関数を Sigmoid(·) から Sqrt(Softplus(·)) に変更する」）。また、V3 の `n_group` / `topk_group` による制約は廃止されています。DeepSeek の `noaux_tc` による補助損失なし戦略は、勾配を伝播させずに top-k argmax にバイアスをかける `e_score_correction_bias` バッファを通じて維持されています。

Routed experts は、標準的な Mixtral の `[num_experts, 2 * moe_intermediate_size, hidden_size]` 形式のエキスパート重みレイアウトの上に、**clamped SwiGLU**（`gate.clamp(max=swiglu_limit)`、`up.clamp(min=-swiglu_limit, max=swiglu_limit)`、その後 `act_fn(gate) * up`）を使用します。単一の共有エキスパート（幅が `moe_intermediate_size` の通常の SwiGLU MLP）は、すべてのトークンに対して並列に実行されます。

### アテンションマスクのレイアウト

各 `DeepseekV4Attention` レイヤーは、キー軸に沿って標準的なスライディングウィンドウ因果マスクを、そのコンプレッサーが返す `block_bias` で拡張し、その後、連結されたマスクを `eager_attention_forward` に渡します。スライディングセクション（左、`[S, S]`）はすべてのレイヤータイプで同一ですが、コンプレッサーセクション（右）はレイヤータイプによって異なり、V4 で導入された実際の「新規」部分です。

以下の図は、16トークンの入力に対して、非常に小さな設定（`sliding_window=8`、CSA `m=4`、HCA `m'=8`、`index_topk=2`）で生成されたものであり、レイヤータイプごとのマスク全体が画面に収まるようにしています。緑 = スライディングセクションにおけるクエリ/キーの対角線、濃い色 = 可視な標準KV位置、薄い色 = マスク済み、アンバー = クエリがアテンションを許可されるコンプレッサー/インデクサーのスロット。破線より右の列は、コンプレッサーによって`cat([sliding_causal_mask, block_bias], dim=-1)`で追加されます。

**スライディング専用レイヤー（`"sliding_attention"`）。**コンプレッサーも右パディングもありません。マスクは、`[S, S]` の形状を持つ通常のスライディングウィンドウ因果マスクです（ウィンドウ = 8）。`i ≥ window` の場合、左下の三角形が切り取られ、ローカル専用のアテンションパターンが復元されます。

**CSA レイヤー（`"compressed_sparse_attention"`）。**コンプレッサーは、クエリごとに集約された出力を `[B, 1, S·k, D]` にフラット化し、マスクを `S·k` 列だけ右パディングします。クエリ `t` に対しては、インデクサーが選択したエントリが列 `[S + t·k, S + (t+1)·k)` の `k` スロットにのみ格納され、それ以外のコンプレッサーの列はすべて `-inf` になります。最初のウィンドウが閉じる前のクエリ（`t < m − 1`）には何も与えられず、インデクサーの `-1` センチネル値がそのままマスクに伝播します。`t` が大きくなるにつれて、利用可能な圧縮エントリが増え、インデクサーはすべての `k` スロットを埋めることができます。

**HCA レイヤー（`"heavily_compressed_attention"`）。**インデクサーはありません。キャッシュされた圧縮エントリはすべて、潜在的に可視化される可能性があります。`T_total = entry_count["compressor"]` 列分だけ右パディングされます。クエリ `t` がエントリ `w` を参照できるのは、そのソースウィンドウがクローズした後のみです。つまり、`w < (t + 1) // m` の場合です。ここでは `m=8` であるため、エントリ 0（位置 `0..7` をカバー）とエントリ 1（`8..15` をカバー）は、それぞれ `t ≥ 7` および `t ≥ 15` の時点で初めて可視化されます。

これらの図は、以下を通じてエンドツーエンドで再現できます:

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

このスクリプトは、この小さな設定に対してフォワードパスを実行し、各アテンション層をラップして、`cat([attention_mask, block_bias])` 後の正確なマスクをキャプチャします。次に、CSA の `[S, S·k]` フラットスロットマスクを `[S, T_entries]` のエントリ可視性ビューに再マッピングし（これにより、各 `C_w` 列は集約スロットではなく、圧縮された*エントリ*になります）、上記の 3 つの SVG を書き出します。また、ターミナルでの素早い確認のために ANSI グリッドを標準出力に出力し、インデクサーのクエリごとのトップ k 選択をダンプして、ウォームアップのセンチネルと選択内容が監査可能になります。

### キャッシュレイヤー

各非スライディングアテンションブロックは、フォワード呼び出し間でコンプレッサー / インデクサーの状態をスレッドする必要があります。V4には、`LAYER_TYPE_CACHE_MAPPING`に自動登録される2つのキャッシュレイヤータイプが同梱されています:

* `DeepseekV4HCACache`: スライディングウィンドウ K=V + HCA コンプレッサバッファ / プール / カウント（重複なし、インデクサなし）。
* `DeepseekV4CSACache`: スライディングウィンドウ K=V + CSA コンプレッサー（オーバーラップ状態付き）+ `index_head_dim` における並列インデクサーのバッファ / プール / カウント / オーバーラップ。

`DynamicCache(config=…)` は、`config.layer_types[i]` ごとに適切なキャッシュレイヤーを構築します。

## 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)
```

[ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/deepseek_v4/configuration_deepseek_v4.py#L40)

**パラメータ:**

vocab_size (`int`、*任意*、デフォルトは`129280`) : モデルの語彙サイズ。`input_ids`で表現できるトークンの種類数を定義します。

hidden_size (`int`、*任意*、デフォルトは`4096`) : 隠れ表現の次元数。

moe_intermediate_size (`int`、*optional*、デフォルトは`2048`) : ルーティングされたエキスパートの MLP の中間サイズ。

num_hidden_layers (`int`, *任意*, デフォルトは `43`) : Transformer デコーダーの隠れ層の数。

num_attention_heads (`int`、*任意*、デフォルトは`64`) : Transformer デコーダーの各アテンション層におけるアテンションヘッドの数。

num_key_value_heads (`int`, *optional*, デフォルトは `1`) : Grouped Query Attention を実装するために使用する key_value ヘッドの数です。`num_key_value_heads=num_attention_heads` の場合、モデルは Multi Head Attention (MHA) を使用し、`num_key_value_heads=1` の場合は Multi Query Attention (MQA) を使用し、それ以外の場合は GQA が使用されます。マルチヘッドのチェックポイントを GQA チェックポイントに変換する際は、各グループの key ヘッドと value ヘッドは、そのグループ内の元のすべてのヘッドを平均プーリングして構築する必要があります。詳細については、[この論文](https://huggingface.co/papers/2305.13245)を参照してください。指定されない場合、デフォルトで `num_attention_heads` が使用されます。

head_dim (`int`、*任意*、デフォルトは`512`) : アテンションヘッドの次元数。None の場合、hidden_size // num_attention_heads がデフォルトとして使用されます。

q_lora_rank (`int`、*optional*、デフォルトは`1024`) : クエリ投影のLoRA行列のランク。

num_experts_per_tok (`int`、*任意*、デフォルトは`6`) : 各トークンをルーティングするエキスパートの数です。これは、トークン選択ルーティングにおけるtop-kの値です。

n_routed_experts (`int`, *任意*, デフォルトは `256`) : ルーティング対象のエクスパート数。

n_shared_experts (`int`、*任意*、デフォルトは `1`) : 共有エキスパートの数。

scoring_func (`str`、*任意*、デフォルトは`sqrtsoftplus`) : ルーターの活性化関数 — `sqrtsoftplus`、`softmax`、または`sigmoid`。

norm_topk_prob (`bool`、*任意*、デフォルトは`True`) : ルーティングされたエキスパートの重みを正規化するかどうかを指定します。

routed_scaling_factor (`float`、*任意*、デフォルトは `1.5`) : スケーリング係数またはルーティングされたエキスパート。

max_position_embeddings (`int`、*任意*、デフォルトは `1048576`) : このモデルが使用される可能性のある最大シーケンス長です。

rope_theta (`Union[float, int]`、*任意*、デフォルトは `10000.0`) : メインの自己注意回転（rotary）の RoPE base。

layer_types (`list[str]`、*任意*) : 各レイヤーの注意スケジュール。値は `{"compressed_sparse_attention", "heavily_compressed_attention"}` から選択します。V4-Pro のデフォルト: 2× HCA ブートストラップ + CSA / HCA の交互配置。

compress_rates (`dict[str, int]`) : レイヤータイプごとの圧縮率。デフォルトは `{"compressed_sparse_attention": 4, "heavily_compressed_attention": 128}` (CSA は m=4、HCA は m'=128、論文 §2.3.1 / §2.3.2)。BC: `compress_rate_csa` / `compress_rate_hca` をトップレベルの kwarg として同梱する設定は、`__post_init__` 時に統合されます。

compress_rope_theta (`Union[float, int]`、*任意*、デフォルトは `160000.0`) : 圧縮ブランチ用の RoPE base（YaRN では `rope_scaling` と組み合わせて使用）。

hc_mult (`int`, *optional*, デフォルトは `4`) : Manifold-Constrained Hyper-Connection (mHC) の拡張係数 n_hc (常に有効; セクション 2.2)。

hc_sinkhorn_iters (`int`、*optional*、デフォルトは`20`) : mHC 残差マッピングを doubly-stochastic 行列へ射影するための Sinkhorn-Knopp 反復回数 t_max。

hc_eps (`float`、*任意*、デフォルトは `1e-06`) : Sinkhorn-Knopp 正規化における数値の下限値。

mlp_layer_types (`list[str]`, *任意*) : 各層の MoE スケジュール。値は `{"hash_moe", "moe"}` から選択します。`hash_moe` は凍結された `tid2eid[input_ids]` による参照でルーティングを行います（論文 §2.1「Hash-MoE bootstrap」）。`moe` は標準的な top-k ルーティング MoE です。デフォルトでは、最初の 3 層が `hash_moe`、その後の層が `moe` になります。BC: トップレベルの kwarg として `num_hash_layers` を持つレガシー設定は、`__post_init__` 実行時に統合されます。

swiglu_limit (`float`, *任意*, デフォルトは `10.0`) : ルーティングされたエキスパートの gate/up プリアクティベーションをクリップします。

sliding_window (`int`、*optional*、デフォルトは `128`) : 各 attention ブロックの sliding-window 分岐で使用されるローカルウィンドウサイズ n_win。

o_groups (`int`、*任意*、デフォルトは `8`) : グループ化出力投影におけるヘッドグループ数 g（論文 §2.3.1「Grouped Output Projection」）。

o_lora_rank (`int`、*任意*、デフォルトは`1024`) : グループ化出力投影におけるグループごとの中間次元 d_g。

index_n_heads (`int`、*optional*、デフォルトは`64`) : インデクサーのクエリヘッド数 n_h^I（論文 §2.3.1、式 14）。

index_head_dim (`int`、*optional*、デフォルトは `128`) : Indexer のヘッド次元 c^I（論文 §2.3.1）。

index_topk (`int`、*optional*、デフォルトは`512`) : Lightning Indexer が top-k によって各クエリごとに保持する圧縮エントリの数（論文 §2.3.1、式 17）。

num_nextn_predict_layers (`int`, *任意*, デフォルトは `1`) : アップストリームのチェックポイントにおける MTP レイヤー数（ここではインスタンス化されません）。

output_router_logits (`bool`, *任意*, デフォルトは `False`) : モデルがルーターのロジスティック値を返すかどうかを指定します。これを有効にすると、モデルはロードバランシングロスやルーターのzロスを含む補助ロスの出力も可能になります。

router_aux_loss_coef (`float`、*任意*、デフォルトは `0.001`) : 補助的なロードバランシング損失の係数です。MoE モデルにおける不均一なエキスパートルーティングをペナルティするために使用されます。

router_jitter_noise (`float`、*任意*、デフォルトは`0.0`) : 学習時にルーターのロジットに追加するノイズの量です。より良い負荷分散のために使用します。

hidden_act (`str`、*任意*、デフォルトは`silu`) : デコーダーで使用する非線形活性化関数（関数または文字列）。例えば、`"gelu"`、`"relu"`、`"silu"`など。

initializer_range (`float`、*任意*、デフォルトは`0.02`) : すべての重み行列を初期化するためのtruncated_normal_initializerの標準偏差です。

rms_norm_eps (`float`、*任意*、デフォルトは`1e-06`) : rms 正規化レイヤーで使用する epsilon。

use_cache (`bool`、*任意*、デフォルトは `True`) : モデルが最後のキー/バリューアテンションを返すかどうか（すべてのモデルで利用されるわけではありません）。`config.is_decoder=True` の場合、またはモデルがデコーダー専用の生成モデルである場合にのみ関連します。

pad_token_id (`int`, *任意*) : 語彙内でパディングに使用されるトークンID。

bos_token_id (`int`, *optional*, デフォルトは `0`) : 語彙内でストリームの開始に使用されるトークン ID。

eos_token_id (`Union[int, list[int]]`、*任意*、デフォルトは `1`) : 語彙内でストリーム終了に使用されるトークン ID。

tie_word_embeddings (`bool`, *任意*, デフォルトは `False`) : モデルの `tied_weights_keys` マッピングに従って重み埋め込みを共有するかどうか。

rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`, *optional*) : RoPE 埋め込みの設定パラメータを含む辞書です。この辞書には `rope_theta` の値が含まれていなければならず、より長い `max_position_embeddings` で RoPE を使用する場合、スケーリングに使用されるパラメータが任意で含まれます。

partial_rotary_factor (`float`, *任意*) : RoPE が適用される head_dim の割合。デフォルトでは `qk_rope_head_dim / head_dim` であり、cos/sin のサイズは `qk_rope_head_dim` になります。

attention_bias (`bool`、*任意*、デフォルトは`False`) : セルフアテンションにおけるクエリ、キー、バリュー、出力の投影層でバイアスを使用するかどうか。

mlp_bias (`bool`, *任意*, デフォルトは `False`) : MLP 層の up_proj、down_proj、gate_proj 層でバイアスを使用するかどうか。

attention_dropout (`float`、*任意*、デフォルトは`0.0`) : 注意確率のドロップアウト率です。

これはDeepseekV4Modelの設定を保存するための設定クラスです。指定された引数に基づいてDeepseek V4モデルをインスタンス化し、モデルのアーキテクチャを定義するために使用されます。デフォルト値で設定をインスタンス化すると、[deepseek-ai/DeepSeek-V4-Flash-Base](https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Base)と類似した設定が得られます。

設定オブジェクトは [PreTrainedConfig](/docs/transformers/main/ja/main_classes/configuration#transformers.PreTrainedConfig) を継承し、モデルの出力を制御するために使用できます。詳細については、[PreTrainedConfig](/docs/transformers/main/ja/main_classes/configuration#transformers.PreTrainedConfig) のドキュメントを参照してください。

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

```python
validate_layer_type()
```

[ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/deepseek_v4/configuration_deepseek_v4.py#L214)

V4では、標準的な長さおよび型メンバーシップのチェックに加えて、実際に提供されている3つのattentionブロック型と2つのMLPブロック型に、グローバルの`ALLOWED_LAYER_TYPES`を絞り込んでいます。

## DeepseekV4Model[[transformers.DeepseekV4Model]]

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

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

[ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/deepseek_v4/modeling_deepseek_v4.py#L1296)

**パラメータ:**

config ([DeepseekV4Config](/docs/transformers/main/ja/model_doc/deepseek_v4#transformers.DeepseekV4Config)) : モデルのパラメータをすべて含むモデル設定クラスです。設定ファイルで初期化しても、モデルに関連する重みは読み込まれず、設定のみが読み込まれます。モデルの重みをロードするには、[from_pretrained()](/docs/transformers/main/ja/main_classes/model#transformers.PreTrainedModel.from_pretrained) メソッドを確認してください。

Deepseek V4の素のモデルで、特定のヘッドを上に載せず、生のhidden-statesを出力します。

このモデルは [PreTrainedModel](/docs/transformers/main/ja/main_classes/model#transformers.PreTrainedModel) を継承しています。ライブラリがすべてのモデルに対して実装している汎用的なメソッド（ダウンロードや保存、入力埋め込みのリサイズ、ヘッドのプルーニングなど）については、スーパークラスのドキュメントを参照してください。

このモデルは、PyTorchの[torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)のサブクラスでもあります。通常のPyTorch Moduleとして使用し、一般的な使用方法や動作に関する詳細については、PyTorchのドキュメントを参照してください。

#### 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.FloatTensor] = None, use_cache: bool | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/deepseek_v4/modeling_deepseek_v4.py#L1314)

**パラメータ:**

input_ids (`torch.LongTensor`、shape `(batch_size, sequence_length)`、*任意*) : 語彙における入力シーケンスのトークンインデックスです。デフォルトでは、パディングは無視されます。インデックスは [AutoTokenizer](/docs/transformers/main/ja/model_doc/auto#transformers.AutoTokenizer) を使用して取得できます。詳細については、[PreTrainedTokenizer.encode()](/docs/transformers/main/ja/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) および [PreTrainedTokenizer.__call__()](/docs/transformers/main/ja/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) を参照してください。 [入力IDとは何ですか？](../glossary#input-ids)

attention_mask (`torch.Tensor`、shape `(batch_size, sequence_length)`、*任意*) : padding トークンのインデックスに対する attention を回避するためのマスクです。マスクの値は `[0, 1]` から選択されます:  - **マスクされない**トークンは 1、- **マスクされる**トークンは 0。  [attention マスクとは?](../glossary#attention-mask)

position_ids (`torch.LongTensor`、shape `(batch_size, sequence_length)`、*任意*) : 各入力シーケンスのトークンが位置埋め込み内で占める位置のインデックスです。`[0, config.n_positions - 1]` の範囲から選択されます。 [位置 ID とは何か？](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *任意*) : 逐次デコードを高速化するために使用できる、事前計算された hidden-states（self-attention ブロックおよび cross-attention ブロック内の key と value）です。通常、`use_cache=True` または `config.use_cache=True` の場合、モデルがデコードの以前の段階で返した `past_key_values` で構成されます。入力として許可されるのは [Cache](/docs/transformers/main/ja/internal/generation_utils#transformers.Cache) インスタンスのみです。[kv cache ガイド](https://huggingface.co/docs/transformers/en/kv_cache)を参照してください。`past_key_values` が渡されない場合、デフォルトで [DynamicCache](/docs/transformers/main/ja/internal/generation_utils#transformers.DynamicCache) が初期化されます。モデルは、入力として与えられたのと同じキャッシュ形式を出力します。`past_key_values` を使用する場合は、すべての `input_ids`（形状 `(batch_size, sequence_length)`）の代わりに、このモデルに過去の key value 状態が与えられていない未処理の `input_ids`（形状 `(batch_size, unprocessed_length)`）のみを入力する必要があります。

inputs_embeds (`torch.FloatTensor`、shape `(batch_size, sequence_length, hidden_size)`、*任意*) : `input_ids` を渡す代わりに、埋め込み表現を直接渡すこともできます。これは、モデル内部の埋め込み参照行列よりも、`input_ids` のインデックスを対応するベクトルに変換する方法をより細かく制御したい場合に有用です。

use_cache (`bool`, *任意*) : `True`に設定すると、`past_key_values`のキーバリュー状態が返され、デコーディングの高速化に利用できます（`past_key_values`を参照）。

**戻り値:** `MoeModelOutputWithPast` または `tuple(torch.FloatTensor)`

`MoeModelOutputWithPast`、または`torch.FloatTensor`のタプル（`return_dict=False`が渡された場合、または`config.return_dict=False`の場合）。設定（[DeepseekV4Config](/docs/transformers/main/ja/model_doc/deepseek_v4#transformers.DeepseekV4Config)）や入力に応じて、さまざまな要素で構成されます。

[DeepseekV4Model](/docs/transformers/main/ja/model_doc/deepseek_v4#transformers.DeepseekV4Model)のforwardメソッドは、`__call__`特殊メソッドをオーバーライドします。

この関数内でフォワードパスの手順を定義する必要がありますが、その後、この関数ではなく`Module`インスタンスを呼び出すべきです。前者は前処理と後処理の実行を適切に処理するのに対し、後者はそれらを無視してしまいます。

- **last_hidden_state** (`torch.FloatTensor`、shape `(batch_size, sequence_length, hidden_size)`) -- モデルの最終層の出力における隠れ状態のシーケンス。
- **past_key_values** (`Cache`、*任意*、`use_cache=True` が渡された場合または `config.use_cache=True` の場合に返されます) -- [Cache](/docs/transformers/main/ja/internal/generation_utils#transformers.Cache) のインスタンスです。詳細については、[kv cache ガイド](https://huggingface.co/docs/transformers/en/kv_cache)を参照してください。

  自己アテンションブロック（および `config.is_encoder_decoder=True` の場合、クロスカレンションブロック）の事前計算済みヒドゥンステート（キーとバリュー）を保持します。これらは逐次デコーディングを高速化するために使用できます（`past_key_values` 入力参照）。
- **hidden_states** (`tuple(torch.FloatTensor)`、*optional*、`output_hidden_states=True` が渡された場合または `config.output_hidden_states=True` の場合に返されます) -- `torch.FloatTensor` のタプル（埋め込み層を持つモデルの場合、埋め込みの出力用が 1 つ、各層の出力用が 1 つずつ）で、形状は `(batch_size, sequence_length, hidden_size)` です。

  各層の出力におけるモデルのHidden-states、および任意の初期埋め込み出力。
- **attentions** (`tuple(torch.FloatTensor)`、*optional*、`output_attentions=True` が渡された場合または `config.output_attentions=True` の場合に返されます) -- `torch.FloatTensor` のタプル（各レイヤーごとに1つ）で、形状は `(batch_size, num_heads, sequence_length, sequence_length)` です。

  アテンションのsoftmax後のアテンション重み。自己アテンションヘッド内で加重平均を計算するために使用されます。
- **router_logits** (`tuple(torch.FloatTensor)`、*optional*、`output_router_probs=True` と `config.add_router_probs=True` が渡された場合、または `config.output_router_probs=True` の場合に返されます) -- `torch.FloatTensor` のタプル（レイヤーごとに1つ）、形状は `(batch_size, sequence_length, num_experts)`。

  MoE ルーターによって計算される生（raw）のルーター logits（softmax 後）であり、Mixture of Experts モデルの補助損失を計算するためにこれらの用語が使用されます。

## DeepseekV4ForCausalLM[[transformers.DeepseekV4ForCausalLM]]

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

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

[ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/deepseek_v4/modeling_deepseek_v4.py#L1441)

**パラメータ:**

config ([DeepseekV4Config](/docs/transformers/main/ja/model_doc/deepseek_v4#transformers.DeepseekV4Config)) : モデルのパラメータをすべて含むモデル設定クラスです。設定ファイルで初期化しても、モデルに関連する重みは読み込まれず、設定のみが読み込まれます。モデルの重みをロードするには、[from_pretrained()](/docs/transformers/main/ja/main_classes/model#transformers.PreTrainedModel.from_pretrained) メソッドを確認してください。

因果言語モデリング用の Deepseek V4 モデル。

このモデルは [PreTrainedModel](/docs/transformers/main/ja/main_classes/model#transformers.PreTrainedModel) を継承しています。ライブラリがすべてのモデルに対して実装している汎用的なメソッド（ダウンロードや保存、入力埋め込みのリサイズ、ヘッドのプルーニングなど）については、スーパークラスのドキュメントを参照してください。

このモデルは、PyTorchの[torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)のサブクラスでもあります。通常のPyTorch Moduleとして使用し、一般的な使用方法や動作に関する詳細については、PyTorchのドキュメントを参照してください。

#### 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.FloatTensor] = 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'>)
```

[ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/deepseek_v4/modeling_deepseek_v4.py#L1459)

**パラメータ:**

input_ids (`torch.LongTensor`、shape `(batch_size, sequence_length)`、*任意*) : 語彙における入力シーケンスのトークンインデックスです。デフォルトでは、パディングは無視されます。インデックスは [AutoTokenizer](/docs/transformers/main/ja/model_doc/auto#transformers.AutoTokenizer) を使用して取得できます。詳細については、[PreTrainedTokenizer.encode()](/docs/transformers/main/ja/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) および [PreTrainedTokenizer.__call__()](/docs/transformers/main/ja/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) を参照してください。 [入力IDとは何ですか？](../glossary#input-ids)

attention_mask (`torch.Tensor`、shape `(batch_size, sequence_length)`、*任意*) : padding トークンのインデックスに対する attention を回避するためのマスクです。マスクの値は `[0, 1]` から選択されます:  - **マスクされない**トークンは 1、- **マスクされる**トークンは 0。  [attention マスクとは?](../glossary#attention-mask)

position_ids (`torch.LongTensor`、shape `(batch_size, sequence_length)`、*任意*) : 各入力シーケンスのトークンが位置埋め込み内で占める位置のインデックスです。`[0, config.n_positions - 1]` の範囲から選択されます。 [位置 ID とは何か？](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *任意*) : 逐次デコードを高速化するために使用できる、事前計算された hidden-states（self-attention ブロックおよび cross-attention ブロック内の key と value）です。通常、`use_cache=True` または `config.use_cache=True` の場合、モデルがデコードの以前の段階で返した `past_key_values` で構成されます。入力として許可されるのは [Cache](/docs/transformers/main/ja/internal/generation_utils#transformers.Cache) インスタンスのみです。[kv cache ガイド](https://huggingface.co/docs/transformers/en/kv_cache)を参照してください。`past_key_values` が渡されない場合、デフォルトで [DynamicCache](/docs/transformers/main/ja/internal/generation_utils#transformers.DynamicCache) が初期化されます。モデルは、入力として与えられたのと同じキャッシュ形式を出力します。`past_key_values` を使用する場合は、すべての `input_ids`（形状 `(batch_size, sequence_length)`）の代わりに、このモデルに過去の key value 状態が与えられていない未処理の `input_ids`（形状 `(batch_size, unprocessed_length)`）のみを入力する必要があります。

inputs_embeds (`torch.FloatTensor`、shape `(batch_size, sequence_length, hidden_size)`、*任意*) : `input_ids` を渡す代わりに、埋め込み表現を直接渡すこともできます。これは、モデル内部の埋め込み参照行列よりも、`input_ids` のインデックスを対応するベクトルに変換する方法をより細かく制御したい場合に有用です。

labels (`torch.LongTensor`、形状 `(batch_size, sequence_length)`、*任意*) : マスク言語モデリング損失を計算するためのラベル。インデックスは `[0, ..., config.vocab_size]` の範囲内であるか、-100 である必要があります（`input_ids` のドキュメント文字列を参照）。インデックスが `-100` に設定されたトークンは無視（マスク）され、損失は `[0, ..., config.vocab_size]` の範囲内のラベルを持つトークンに対してのみ計算されます。

use_cache (`bool`, *任意*) : `True`に設定すると、`past_key_values`のキーバリュー状態が返され、デコーディングの高速化に利用できます（`past_key_values`を参照）。

output_router_logits (`bool`, *任意*) : すべてのルーターの logits を返すかどうか。ルーター損失の計算に有用であり、推論時には返すべきではありません。

logits_to_keep (`Union[int, torch.Tensor]`、*任意*、デフォルトは `0`) : `int` の場合、最後の `logits_to_keep` トークンについて logits を計算します。`0` の場合、すべての `input_ids` について logits を計算します（特殊ケース）。生成には最後のトークンの logits だけで十分であり、そのトークンのみについて計算することでメモリを節約できます。これは、長いシーケンスや大規模な語彙サイズの場合に特に顕著な効果があります。`torch.Tensor` の場合、シーケンス長次元で保持するインデックスに対応する 1 次元である必要があります。これは、パックされたテンソル形式（バッチとシーケンス長を単一の次元にまとめる形式）を使用する場合に有用です。

**戻り値:** `MoeCausalLMOutputWithPast` または `tuple(torch.FloatTensor)`

`MoeCausalLMOutputWithPast`、または`torch.FloatTensor`のタプル（`return_dict=False`が渡された場合、または`config.return_dict=False`の場合）。設定（[DeepseekV4Config](/docs/transformers/main/ja/model_doc/deepseek_v4#transformers.DeepseekV4Config)）や入力に応じて、さまざまな要素で構成されます。

[DeepseekV4ForCausalLM](/docs/transformers/main/ja/model_doc/deepseek_v4#transformers.DeepseekV4ForCausalLM)のforwardメソッドは、`__call__`特殊メソッドをオーバーライドします。

この関数内でフォワードパスの手順を定義する必要がありますが、その後、この関数ではなく`Module`インスタンスを呼び出すべきです。前者は前処理と後処理の実行を適切に処理するのに対し、後者はそれらを無視してしまいます。

- **loss** (`torch.FloatTensor`、shape `(1,)`、*optional*、`labels` が指定された場合に返されます) -- 言語モデリングの損失(次のトークンの予測用)。
- **logits** (`torch.FloatTensor`、shape `(batch_size, sequence_length, config.vocab_size)`) -- 言語モデリングヘッドの予測スコア（SoftMax 適用前の各語彙トークンのスコア）。
- **aux_loss** (`torch.FloatTensor`、*optional*、`output_router_logits=True` が渡された場合、または `config.output_router_logits=True` の場合、かつモデルがロードバランシング損失でルーターを学習する場合に返されます) -- スパースモジュール用のロードバランシング補助損失。ルーターバイアスでエキスパートをバランスさせるモデル（DeepSeek-V3 とそこから派生したアーキテクチャ）は、`router_logits` を返しながらも、ここでは `None` を返します。
- **router_logits** (`tuple(torch.FloatTensor)`、*optional*、`output_router_logits=True` が渡された場合または `config.output_router_logits=True` の場合に返されます) -- `torch.FloatTensor` のタプル（スパース層ごとに1つ）、形状は `(batch_size * sequence_length, num_experts)`。

  MoE ルーターによって計算される生のルーター logits です。ロードバランシング損失の計算や、トークンがどのようにエキスパートにディスパッチされるかの確認に使用できます。
- **past_key_values** (`Cache`、*任意*、`use_cache=True` が渡された場合または `config.use_cache=True` の場合に返されます) -- [Cache](/docs/transformers/main/ja/internal/generation_utils#transformers.Cache) のインスタンスです。詳細については、[kv cache ガイド](https://huggingface.co/docs/transformers/en/kv_cache)を参照してください。

  逐次デコーディングを高速化するために使用できる（`past_key_values` 入力参照）、事前計算済みの隠れ状態（自己注意ブロックのキーとバリュー）が含まれます。
- **hidden_states** (`tuple(torch.FloatTensor)`、*optional*、`output_hidden_states=True` が渡された場合または `config.output_hidden_states=True` の場合に返されます) -- `torch.FloatTensor` のタプル（埋め込み層を持つモデルの場合、埋め込みの出力用が 1 つ、各層の出力用が 1 つずつ）で、形状は `(batch_size, sequence_length, hidden_size)` です。

  各層の出力におけるモデルのHidden-states、および任意の初期埋め込み出力。
- **attentions** (`tuple(torch.FloatTensor)`、*optional*、`output_attentions=True` が渡された場合または `config.output_attentions=True` の場合に返されます) -- `torch.FloatTensor` のタプル（各レイヤーごとに1つ）で、形状は `(batch_size, num_heads, sequence_length, sequence_length)` です。

  アテンションのsoftmax後のアテンション重み。自己アテンションヘッド内で加重平均を計算するために使用されます。

例:

```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."
```