# Evolla ## Tổng quan Mô hình Evolla được đề xuất trong [Decoding the Molecular Language of Proteins with Evolla](https://doi.org/10.1101/2025.01.05.630192) bởi [Zhou et al.](https://doi.org/10.1101/2025.01.05.630192). Evolla là một mô hình ngôn ngữ protein sinh tạo tiên tiến với 80 tỷ tham số, được thiết kế để giải mã ngôn ngữ phân tử của protein. Nó tích hợp thông tin từ trình tự, cấu trúc protein và truy vấn của người dùng để tạo ra những nhận định chính xác và tinh tế về ngữ cảnh liên quan đến chức năng của protein. Được huấn luyện trên một bộ dữ liệu do AI tạo ra chưa từng có, gồm 546 triệu cặp câu hỏi - đáp án về protein và 150 tỷ token từ, Evolla thúc đẩy đáng kể nghiên cứu trong lĩnh vực proteomics và genomics chức năng, cung cấp những nhận định ở cấp độ chuyên gia và làm sáng tỏ logic phân tử được mã hóa trong protein. Tóm tắt từ bài báo như sau: *Protein, những cỗ máy phân tử phức tạp của tự nhiên, là sản phẩm của hàng tỷ năm tiến hóa và đóng vai trò nền tảng trong việc duy trì sự sống. Tuy nhiên, việc giải mã ngôn ngữ phân tử của chúng - tức là hiểu cách các trình tự và cấu trúc protein mã hóa cũng như quyết định chức năng sinh học - vẫn là một thách thức then chốt trong sinh học hiện đại. Tại đây, chúng tôi giới thiệu Evolla, một mô hình ngôn ngữ protein sinh thành tiên phong 80 tỷ tham số được thiết kế để giải mã ngôn ngữ phân tử của protein. Bằng cách tích hợp thông tin từ trình tự, cấu trúc protein và truy vấn của người dùng, Evolla tạo ra những nhận định chính xác và tinh tế về ngữ cảnh liên quan đến chức năng của protein. Một đổi mới then chốt của Evolla nằm ở việc huấn luyện trên một bộ dữ liệu do AI tạo ra chưa từng có: 546 triệu cặp câu hỏi - đáp án về protein và 150 tỷ token từ, được thiết kế để phản ánh sự phức tạp khổng lồ và tính đa dạng chức năng của protein. Sau giai đoạn tiền huấn luyện, Evolla tích hợp Tối ưu hóa Ưu thích Trực tiếp (DPO) để tinh chỉnh mô hình dựa trên các tín hiệu ưu thích và Sinh thành Tăng cường Truy xuất (RAG) để tích hợp kiến thức bên ngoài, qua đó nâng cao chất lượng và mức độ liên quan của phản hồi. Để đánh giá hiệu suất, chúng tôi đề xuất một khung đánh giá mới, Không gian Phản hồi Hướng dẫn (IRS), cho thấy Evolla cung cấp những nhận định ở cấp độ chuyên gia, thúc đẩy nghiên cứu trong lĩnh vực proteomics và genomics chức năng, đồng thời làm sáng tỏ logic phân tử được mã hóa trong protein. Bản demo trực tuyến có sẵn tại http://www.chat-protein.com/.* Ví dụ: ```python 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 ) ``` Mẹo: - Mô hình này được đóng góp bởi [Xibin Bayes Zhou](https://huggingface.co/XibinBayesZhou). - Mã nguồn gốc có thể được tìm thấy [tại đây](https://github.com/westlake-repl/Evolla). ## EvollaConfig[[transformers.EvollaConfig]] #### transformers.EvollaConfig[[transformers.EvollaConfig]] ```python transformers.EvollaConfig(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, protein_encoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, vocab_size: int = 128256, hidden_size: int = 4096, intermediate_size: int = 14336, num_hidden_layers: int = 32, num_attention_heads: int = 32, num_key_value_heads: int | None = 8, hidden_act: str = 'silu', max_position_embeddings: int = 8192, rms_norm_eps: float = 1e-05, rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None, attention_bias: bool = False, attention_dropout: float | int | None = 0.0, mlp_bias: bool = False, aligner_ffn_mult: int | None = 4, aligner_enable_bias: bool | None = True, aligner_attention_probs_dropout_prob: float | None = 0.1, aligner_num_add_layers: int | None = 8, resampler_depth: int | None = 6, resampler_dim_head: int | None = 64, resampler_heads: int | None = 8, resampler_num_latents: int | None = 64, resampler_ff_mult: int | None = 4, initializer_range: float = 0.02, pad_token_id: int | None = None, bos_token_id: int | None = 128000, eos_token_id: int | list[int] | None = 128009, use_cache: bool = False, tie_word_embeddings: bool = False, is_decoder: bool | None = False, add_cross_attention: bool | None = False) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/evolla/configuration_evolla.py#L64) **Tham số:** protein_encoder_config (`dict`, *tùy chọn*) : Từ điển các tùy chọn cấu hình được sử dụng để khởi tạo `SaProtConfig`. vocab_size (`int`, *tùy chọn*, mặc định là `128256`) : Kích thước từ vựng của mô hình. Xác định số lượng token khác nhau có thể được biểu diễn bởi `input_ids`. hidden_size (`int`, *tuỳ chọn*, mặc định là `4096`) : Kích thước của các biểu diễn ẩn. intermediate_size (`int`, *tuỳ chọn*, mặc định là `14336`) : Kích thước của các biểu diễn MLP. num_hidden_layers (`int`, *tuỳ chọn*, mặc định là `32`) : Số lượng lớp ẩn trong bộ giải mã Transformer. num_attention_heads (`int`, *tùy chọn*, mặc định là `32`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer. num_key_value_heads (`int`, *optional*, mặc định là `8`) : Đây là số lượng key_value heads cần được sử dụng để triển khai Grouped Query Attention. Nếu `num_key_value_heads=num_attention_heads`, mô hình sẽ sử dụng Multi Head Attention (MHA), nếu `num_key_value_heads=1` mô hình sẽ sử dụng Multi Query Attention (MQA), ngược lại GQA sẽ được sử dụng. Khi chuyển đổi một checkpoint multi-head sang checkpoint GQA, mỗi nhóm key và value head nên được xây dựng bằng cách meanpooling tất cả các head gốc trong nhóm đó. Để biết thêm chi tiết, hãy xem [bài báo này](https://huggingface.co/papers/2305.13245). Nếu không được chỉ định, giá trị mặc định sẽ là `num_attention_heads`. hidden_act (`str`, *tùy chọn*, mặc định là `silu`) : Hàm kích hoạt phi tuyến tính (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, `"gelu"`, `"relu"`, `"silu"`, v.v. max_position_embeddings (`int`, *tuỳ chọn*, mặc định là `8192`) : Độ dài chuỗi tối đa mà mô hình này có thể được sử dụng. rms_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-05`) : Epsilon được sử dụng bởi các lớp chuẩn hóa rms. rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`, *optional*) : Từ điển chứa các tham số cấu hình cho các embedding RoPE. Từ điển phải chứa một giá trị cho `rope_theta` và tùy chọn các tham số được sử dụng để mở rộng trong trường hợp bạn muốn sử dụng RoPE với `max_position_embeddings` dài hơn. attention_bias (`bool`, *tùy chọn*, mặc định là `False`) : Có sử dụng bias trong các lớp chiếu query, key, value và output trong quá trình tự chú ý hay không. attention_dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ dropout cho các xác suất chú ý. mlp_bias (`bool`, *tùy chọn*, mặc định là `False`) : Có sử dụng bias trong các lớp up_proj, down_proj và gate_proj của các lớp MLP hay không. aligner_ffn_mult (`int`, *tuỳ chọn*, mặc định là 4) : Hệ số nhân FFN cho lớp aligner. aligner_enable_bias (`bool`, *tùy chọn*, mặc định là `True`) : Có sử dụng bias trong lớp aligner hay không. aligner_attention_probs_dropout_prob (`float`, *tuỳ chọn*, mặc định là 0.1) : Tỷ lệ dropout cho các xác suất chú ý trong lớp aligner. aligner_num_add_layers (`int`, *tuỳ chọn*, mặc định là 8) : Số lượng lớp bổ sung cho lớp aligner. resampler_depth (`int`, *optional*, mặc định là 6) : Độ sâu của lớp resampler trong mô hình llama. resampler_dim_head (`int`, *optional*, mặc định là 64) : Kích thước chiều của các đầu (heads) trong lớp resampler của mô hình llama. resampler_heads (`int`, *tuỳ chọn*, mặc định là 8) : Số lượng đầu trong lớp resampler của mô hình llama. resampler_num_latents (`int`, *tuỳ chọn*, mặc định là 64) : Số lượng latents trong lớp resampler của mô hình llama. resampler_ff_mult (`int`, *tuỳ chọn*, mặc định là 4) : Hệ số nhân FFN cho lớp resampler. initializer_range (`float`, *optional*, mặc định là `0.02`) : Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số. pad_token_id (`int`, *tùy chọn*) : Id của token được sử dụng để đệm (padding) trong từ vựng. bos_token_id (`int`, *tùy chọn*, mặc định là `128000`) : Token id được sử dụng cho beginning-of-stream trong bảng từ vựng. eos_token_id (`Union[int, list[int]]`, *tùy chọn*, mặc định là `128009`) : Id của token được sử dụng cho end-of-stream trong bảng từ vựng. use_cache (`bool`, *tùy chọn*, mặc định là `False`) : Xác định xem mô hình có nên trả về các chú ý key/values cuối cùng hay không (không được sử dụng bởi tất cả các mô hình). Chỉ liên quan nếu `config.is_decoder=True` hoặc khi mô hình là mô hình sinh chỉ có decoder. tie_word_embeddings (`bool`, *tùy chọn*, mặc định là `False`) : Có nên gắn kết các nhúng trọng số theo ánh xạ `tied_weights_keys` của mô hình hay không. is_decoder (`bool`, *tùy chọn*, mặc định là `False`) : Xác định xem mô hình có được sử dụng như một bộ giải mã (decoder) hay không. Nếu `False`, mô hình sẽ được sử dụng như một bộ mã hóa (encoder). add_cross_attention (`bool`, *tùy chọn*, mặc định là `False`) : Xác định xem có nên thêm các lớp cross-attention vào mô hình hay không. Đây là lớp cấu hình để lưu trữ cấu hình của một EvollaModel. Nó được sử dụng để khởi tạo một mô hình Evolla theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của [westlake-repl/Evolla-10B-hf](https://huggingface.co/westlake-repl/Evolla-10B-hf) Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin. Ví dụ: ```python >>> 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[[transformers.EvollaModel]] #### transformers.EvollaModel[[transformers.EvollaModel]] ```python transformers.EvollaModel(config: EvollaConfig) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/evolla/modeling_evolla.py#L1269) #### forward[[transformers.EvollaModel.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, protein_input_ids: typing.Optional[torch.LongTensor] = None, protein_attention_mask: typing.Optional[torch.Tensor] = None, structure_feats: typing.Optional[torch.Tensor] = None, msa_feats: typing.Optional[torch.Tensor] = None, structure_batch_mask: typing.Optional[torch.Tensor] = None, msa_batch_mask: typing.Optional[torch.Tensor] = None, **kwargs) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/evolla/modeling_evolla.py#L1297) **Tham số:** input_ids (`torch.LongTensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của các token trong chuỗi đầu vào theo từ vựng. Mặc định, các token đệm (padding) sẽ bị bỏ qua. Có thể lấy chỉ số bằng cách sử dụng [AutoTokenizer](/docs/transformers/v5.23.0/vi/model_doc/auto#transformers.AutoTokenizer). Xem [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) và [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) để biết chi tiết. [ID đầu vào là gì?](../glossary#input-ids) attention_mask (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`: - 1 cho các token **không bị che**, - 0 cho các token **bị che**. [Mặt nạ chú ý là gì?](../glossary#attention-mask) position_ids (`torch.LongTensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của vị trí các token trong mỗi chuỗi đầu vào trong các embedding vị trí. Được chọn trong khoảng `[0, config.n_positions - 1]`. [Position IDs là gì?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *tùy chọn*) : Các hidden-states đã tính trước (key và values trong các khối self-attention và cross-attention) có thể được sử dụng để tăng tốc giải mã tuần tự. Điều này thường bao gồm `past_key_values` do mô hình trả về ở một giai đoạn giải mã trước đó, khi `use_cache=True` hoặc `config.use_cache=True`. Chỉ cho phép [Cache](/docs/transformers/v5.23.0/vi/internal/generation_utils#transformers.Cache) instance làm đầu vào, xem [hướng dẫn kv cache](https://huggingface.co/docs/transformers/en/kv_cache) của chúng tôi. Nếu không truyền `past_key_values`, [DynamicCache](/docs/transformers/v5.23.0/vi/internal/generation_utils#transformers.DynamicCache) sẽ được khởi tạo theo mặc định. Mô hình sẽ xuất ra cùng định dạng cache được đưa vào làm đầu vào. Nếu sử dụng `past_key_values`, người dùng được kỳ vọng chỉ nhập các `input_ids` chưa được xử lý (những phần chưa có trạng thái key value quá khứ được cung cấp cho mô hình này) có shape `(batch_size, unprocessed_length)` thay vì tất cả `input_ids` có shape `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền `input_ids`, bạn có thể chọn cách truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ số `input_ids` thành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình. use_cache (`bool`, *tùy chọn*) : Nếu được đặt thành `True`, các trạng thái khóa và giá trị `past_key_values` sẽ được trả về và có thể được sử dụng để tăng tốc quá trình giải mã (xem `past_key_values`). protein_input_ids (`torch.LongTensor`, *tùy chọn*) : Các ID đầu vào cho trình tự protein dưới dạng token nhận thức cấu trúc. Phải có hình dạng `(batch_size, protein_seq_length)` và kiểu `torch.LongTensor`. protein_attention_mask (`torch.Tensor`, *tùy chọn*) : Mặt nạ chú ý (attention mask) cho trình tự protein. Phải có hình dạng `(batch_size, protein_seq_length)` và kiểu `torch.Tensor`. structure_feats (`torch.Tensor`, *tùy chọn*) : Các ID đầu vào cho các đặc trưng thuần túy dựa trên cấu trúc. Phải có hình dạng `(batch_size, structure_seq_length, structure_feat_dim)` và kiểu `torch.Tensor`. Đầu vào giả cho hiện tại. msa_feats (`torch.Tensor`, *tùy chọn*) : Các ID đầu vào cho các đặc trưng thuần dựa trên MSA. Phải có hình dạng `(batch_size, msa_seq_length, msa_feat_dim)` và kiểu `torch.Tensor`. Đầu vào giả cho hiện tại. structure_batch_mask (`torch.Tensor`, *tùy chọn*) : Mặt nạ lô để quyết định các trình tự protein nào dựa hoàn toàn vào cấu trúc. Phải có hình dạng `(batch_size)` và kiểu `torch.Tensor`. Phải được ghép cặp với `structure_feats`. Đầu vào giả cho hiện tại. msa_batch_mask (`torch.Tensor`, *tùy chọn*) : Mặt nạ lô để quyết định các trình tự protein nào dựa hoàn toàn vào MSA. Phải có hình dạng `(batch_size)` và kiểu `torch.Tensor`. Phải được ghép cặp với `msa_feats`. Đầu vào giả cho hiện tại. **Trả về:** [BaseModelOutputWithPast](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) hoặc `tuple(torch.Tensor)` Một [BaseModelOutputWithPast](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình (`None`) và đầu vào. Phương thức forward của [EvollaModel](/docs/transformers/v5.23.0/vi/model_doc/evolla#transformers.EvollaModel) ghi đè phương thức đặc biệt `__call__`. Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng. - **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình. Nếu `past_key_values` được sử dụng, chỉ có hidden-state cuối cùng của các chuỗi có shape `(batch_size, 1, hidden_size)` được xuất ra. - **past_key_values** (`Cache`, *tùy chọn*, được trả về khi `use_cache=True` được truyền vào hoặc khi `config.use_cache=True`) -- Đây là một instance của [Cache](/docs/transformers/v5.23.0/vi/internal/generation_utils#transformers.Cache). Để biết thêm chi tiết, hãy xem [hướng dẫn về kv cache](https://huggingface.co/docs/transformers/en/kv_cache) của chúng tôi. Chứa các hidden-states đã được tính trước (key và values trong các khối self-attention và tùy chọn nếu `config.is_encoder_decoder=True` trong các khối cross-attention) có thể được sử dụng (xem đầu vào `past_key_values`) để tăng tốc độ giải mã tuần tự. - **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`. Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn. - **attentions** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`. Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention. ## EvollaForProteinText2Text[[transformers.EvollaForProteinText2Text]] #### transformers.EvollaForProteinText2Text[[transformers.EvollaForProteinText2Text]] ```python transformers.EvollaForProteinText2Text(config: EvollaConfig) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/evolla/modeling_evolla.py#L1396) #### forward[[transformers.EvollaForProteinText2Text.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, protein_input_ids: typing.Optional[torch.LongTensor] = None, protein_attention_mask: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, **kwargs) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/evolla/modeling_evolla.py#L1411) **Tham số:** input_ids (`torch.LongTensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của các token trong chuỗi đầu vào theo từ vựng. Mặc định, các token đệm (padding) sẽ bị bỏ qua. Có thể lấy chỉ số bằng cách sử dụng [AutoTokenizer](/docs/transformers/v5.23.0/vi/model_doc/auto#transformers.AutoTokenizer). Xem [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) và [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) để biết chi tiết. [ID đầu vào là gì?](../glossary#input-ids) attention_mask (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`: - 1 cho các token **không bị che**, - 0 cho các token **bị che**. [Mặt nạ chú ý là gì?](../glossary#attention-mask) inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền `input_ids`, bạn có thể chọn cách truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ số `input_ids` thành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình. labels (`torch.LongTensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Nhãn để tính toán tổn thất mô hình hóa ngôn ngữ có mặt nạ. Chỉ số phải nằm trong `[0, ..., config.vocab_size]` hoặc -100 (xem docstring của `input_ids`). Các token có chỉ số được đặt thành `-100` sẽ bị bỏ qua (mặt nạ), tổn thất chỉ được tính cho các token có nhãn nằm trong `[0, ..., config.vocab_size]`. protein_input_ids (`torch.LongTensor`, *tùy chọn*) : Các ID đầu vào cho trình tự protein. Phải có hình dạng `(batch_size, protein_seq_length)` và kiểu `torch.LongTensor`. protein_attention_mask (`torch.Tensor`, *tùy chọn*) : Mặt nạ chú ý (attention mask) cho trình tự protein. Phải có hình dạng `(batch_size, protein_seq_length)` và kiểu `torch.Tensor`. use_cache (`bool`, *tùy chọn*) : Nếu được đặt thành `True`, các trạng thái khóa và giá trị `past_key_values` sẽ được trả về và có thể được sử dụng để tăng tốc quá trình giải mã (xem `past_key_values`). logits_to_keep (`Union[int, torch.Tensor]`, *tùy chọn*, mặc định là `0`) : Nếu là `int`, tính logits cho `logits_to_keep` token cuối. Nếu là `0`, tính logits cho tất cả `input_ids` (trường hợp đặc biệt). Chỉ cần logits của token cuối cho quá trình sinh, và việc chỉ tính cho token đó có thể tiết kiệm bộ nhớ, điều này trở nên khá đáng kể với các chuỗi dài hoặc kích thước từ vựng lớn. Nếu là `torch.Tensor`, phải là 1 chiều tương ứng với các chỉ số cần giữ trong chiều độ dài chuỗi. Điều này hữu ích khi sử dụng định dạng tensor đóng gói (một chiều duy nhất cho batch và độ dài chuỗi). Phương thức forward của [EvollaForProteinText2Text](/docs/transformers/v5.23.0/vi/model_doc/evolla#transformers.EvollaForProteinText2Text) ghi đè lên phương thức đặc biệt `__call__`. Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng. Ví dụ: ```python >>> 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[[transformers.EvollaProcessor]] #### transformers.EvollaProcessor[[transformers.EvollaProcessor]] ```python transformers.EvollaProcessor(protein_tokenizer, tokenizer = None, protein_max_length = 1024, text_max_length = 512, **kwargs) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/evolla/processing_evolla.py#L27) **Tham số:** protein_tokenizer (`EsmTokenizer`) : Một instance của [EsmTokenizer](/docs/transformers/v5.23.0/vi/model_doc/esm#transformers.EsmTokenizer). Tokenizer protein là một đầu vào bắt buộc. tokenizer (`tokenizer_class`) : Tokenizer là đầu vào bắt buộc. protein_max_length (`int`, *tuỳ chọn*, mặc định là 1024) : Độ dài tối đa của chuỗi cần được tạo ra. text_max_length (`int`, *tuỳ chọn*, mặc định là 512) : Độ dài tối đa của văn bản cần tạo. Tạo một EvollaProcessor bao bọc một protein tokenizer và một tokenizer thành một processor duy nhất. [EvollaProcessor](/docs/transformers/v5.23.0/vi/model_doc/evolla#transformers.EvollaProcessor) cung cấp đầy đủ các chức năng của `{protein_tokenizer_class}` và `tokenizer_class`. Xem `~{protein_tokenizer_class}` và `~tokenizer_class` để biết thêm thông tin. #### __call__[[transformers.EvollaProcessor.__call__]] ```python __call__(proteins: list[dict] | dict | None = None, messages_list: list[list[dict]] | list[dict] | None = None, protein_max_length: int | None = None, text_max_length: int | None = None, **kwargs) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/evolla/processing_evolla.py#L85) **Tham số:** proteins (`Union[List[dict], dict]`) : Một danh sách các từ điển hoặc một từ điển duy nhất chứa các khóa sau: - `"aa_seq"` (`str`) -- Trình tự axit amin của protein. - `"foldseek"` (`str`) -- Chuỗi foldseek của protein. messages_list (`Union[List[List[dict]], List[dict]]`) : Một danh sách các danh sách từ điển hoặc một danh sách từ điển chứa các khóa sau: - `"role"` (`str`) -- Vai trò của tin nhắn. - `"content"` (`str`) -- Nội dung của tin nhắn. protein_max_length (`int`, *tuỳ chọn*, mặc định là 1024) : Độ dài tối đa của chuỗi cần được tạo ra. text_max_length (`int`, *tuỳ chọn*, mặc định là 512) : Độ dài tối đa của văn bản. return_tensors (`str` hoặc [TensorType](/docs/transformers/v5.23.0/vi/internal/file_utils#transformers.TensorType), *optional*) : Nếu được đặt, sẽ trả về các tensor của một framework cụ thể. Các giá trị chấp nhận được là: - `'pt'`: Trả về các đối tượng `torch.Tensor` của PyTorch. - `'np'`: Trả về các đối tượng `np.ndarray` của NumPy. **Trả về:** `a dict with following keys` - `protein_input_ids` (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`) -- Các ID đầu vào cho trình tự protein. - `protein_attention_mask` (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`) -- Mặt nạ chú ý cho trình tự protein. - `text_input_ids` (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`) -- Các ID đầu vào cho chuỗi văn bản. - `text_attention_mask` (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`) -- Mặt nạ chú ý cho chuỗi văn bản.