# Beam

## Resumen

[Beam](https://reflection.ai/blog/introducing-beam) es el primer modelo de pesos abiertos de Reflection, un modelo de lenguaje de mezcla de expertos dispersa (MoE) con 501B de parámetros totales y 23B de parámetros activos por token, diseñado para tareas de codificación, razonamiento y trabajo agéntico. Fue preentrenado con 23,8T de tokens y postentrenado mediante aprendizaje por refuerzo asíncrono a gran escala. Beam es solo de texto y razona antes de cada respuesta. Un ajuste de esfuerzo de razonamiento en la plantilla de chat controla cuánto razona.

Beam tiene 52 capas decodificadoras y combina las siguientes características:

- **Atención deslizante híbrida y atención completa.** Cada sexta capa y la última capa utilizan atención completa, y las demás atienden a los `sliding_window` (512) tokens más recientes. `layer_types` establece el patrón.
- **RoPE en capas deslizantes, NoPE en capas completas.** `rope_parameters` se indexa por tipo de capa, y `None` marca un tipo de capa sin codificación posicional. Las capas de atención completa escalan las consultas en su lugar (softmax escalable): la consulta en la posición `n` (basada en 1) se multiplica por `(1 + n / 2048) ** 0.1`, lo que evita que la atención se aplane a medida que crece el contexto.
- **Atención con compuerta.** Atención de consultas agrupadas con 48 cabezas de consulta y 8 cabezas de clave/valor, y RMSNorm en cada cabeza de consulta y clave. Una compuerta sigmoide calculada a partir de la entrada de atención, con un sesgo aprendido por cabeza, escala la salida de atención de forma elementa antes de la proyección de salida.
- **MoE disperso.** Las primeras 3 capas utilizan un MLP SwiGLU denso, y las 49 capas restantes enrutan cada token a 8 de 256 expertos, sin ningún experto compartido (`mlp_layer_types` establece el patrón). El router puntúa a los expertos con una sigmoide, equilibra la carga con un sesgo aprendido por experto en lugar de una pérdida auxiliar, y restringe cada token a los mejores `topk_group` de `n_group` grupos de expertos. Los pesos de enrutamiento se normalizan, y la salida del MoE se escala por `routed_scaling_factor`.
- **Normas tipo sándwich con residuos escalados por profundidad.** Cada bloque de atención y MLP se envuelve en un RMSNorm antes y después. Las sumas residuales se reescalan de modo que, tras `k` contribuciones (contando los embeddings como la primera), el flujo residual sea su suma dividida por `sqrt(k)`.
- **Limitación suave de los logits finales.** Los logits se limitan con `30 * tanh(logits / 30)` (`final_logit_softcapping`).

La implementación calcula la escalada de RMSNorm, la activación SwiGLU, RoPE, la escalada de consultas, el enrutamiento y el softcapping en FP32 para coincidir con la numérica con la que Beam fue entrenado y servido. Los pesos del enrutador y el sesgo de los expertos se mantienen en FP32 en el momento de la carga, y los `logits` devueltos siempre son FP32.

Puedes encontrar todos los puntos de control originales de Beam bajo la organización [Reflection](https://huggingface.co/reflection).

Este modelo fue aportado por [yonigozlan](https://huggingface.co/yonigozlan).

## Ejemplos de uso

La plantilla de chat de Beam formatea las conversaciones en el formato Harmony de Beam, y su [plantilla de respuesta](../chat_response_parsing) analiza el texto generado para devolverlo como un mensaje con los campos `thinking`, `content` y `tool_calls`. Los ejemplos siguientes generan una respuesta con [Pipeline](/docs/transformers/main/es/main_classes/pipelines#transformers.Pipeline) o con la clase [AutoModelForCausalLM](/docs/transformers/main/es/model_doc/auto#transformers.AutoModelForCausalLM).

El checkpoint BF16 tiene aproximadamente 1 TB, por lo que los ejemplos lo dividen en 8 dispositivos, colocando expertos enrutados completos en cada dispositivo mediante [expert parallelism](../expert_parallelism). Lánzalos con `torchrun --nproc-per-node 8 <script.py>`.

```python
from transformers import DistributedConfig, pipeline

pipe = pipeline(
    task="text-generation",
    model="reflection/Beam-1.0-501B-A23B",
    model_kwargs={"distributed_config": DistributedConfig(tp_size=8, ep_size=8)},
)

messages = [{"role": "user", "content": "Explain in one sentence why the sky is usually blue."}]
output = pipe(messages, max_new_tokens=2048)
reply = output[0]["generated_text"][-1]
print(reply["thinking"])
print(reply["content"])
```

```python
from transformers import AutoModelForCausalLM, AutoTokenizer, DistributedConfig

model_id = "reflection/Beam-1.0-501B-A23B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, distributed_config=DistributedConfig(tp_size=8, ep_size=8))

messages = [{"role": "user", "content": "Explain in one sentence why the sky is usually blue."}]
inputs = tokenizer.apply_chat_template(
    messages, add_generation_prompt=True, return_tensors="pt", return_dict=True, reasoning_effort="low"
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=2048)
generated = tokenizer.decode(outputs[0, inputs["input_ids"].shape[1] :])
message = tokenizer.parse_response(generated, prefix=inputs["input_ids"][0])
print(message["thinking"])
print(message["content"])
```

Preferir esto sobre `device_map="auto"`, que coloca capas completas en cada dispositivo, las ejecuta un dispositivo a la vez y puede agotar la memoria durante la carga.

Genera muestras con la `temperature=0.7` y `top_p=0.99` recomendadas por Beam, que la [GenerationConfig](/docs/transformers/main/es/main_classes/text_generation#transformers.GenerationConfig) del checkpoint establece como valores predeterminados. Pasa `do_sample=False` para decodificar de forma codiciosa.

### Esfuerzo de razonamiento

Pasa `reasoning_effort` a [apply_chat_template()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.apply_chat_template) para controlar cuánto razona Beam. Acepta un presupuesto entero o una de las etiquetas siguientes. Beam no se entrenó con esfuerzos inferiores a 8, por lo que los valores más pequeños no se respetan.

| Etiqueta | `minimal` | `low` | `medium` | `high` | `xhigh` | `max` |
|---|---|---|---|---|---|---|
| Esfuerzo | 8 | 32 | 64 | 128 | 256 | 512 |

Cuando `reasoning_effort` no está definido, la plantilla usa `max`. Si `max_new_tokens` se agota durante el razonamiento, el mensaje analizado tiene `thinking` pero no `content`.

### Conversaciones de varios turnos

Añade el mensaje analizado al historial tal como está. La salida de Beam se degrada sin su razonamiento anterior, que la plantilla de chat lee desde `thinking` (también se aceptan `reasoning_content` y `reasoning`). De forma predeterminada, un turno del asistente sin razonamiento se renderiza con un bloque de razonamiento vacío. Pasa `allow_missing_thinking=False` para lanzar un error en su lugar cuando `add_generation_prompt=True`, lo cual se recomienda al servir Beam.

```python
messages.append(message)
messages.append({"role": "user", "content": "And why are sunsets red?"})
inputs = tokenizer.apply_chat_template(
    messages, add_generation_prompt=True, return_tensors="pt", return_dict=True
).to(model.device)
```

### Llamada a herramientas

Pasa `tools` tanto a [apply_chat_template()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.apply_chat_template) como a [parse_response()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.parse_response). Con `tools`, los argumentos analizados se convierten a los tipos definidos en el esquema de cada herramienta; sin él, todos los argumentos son cadenas de texto.

```python
def get_weather(city: str):
    """
    Get the current weather in a city.

    Args:
        city: The city name.
    """
    return "Sunny, 22 C"

messages = [{"role": "user", "content": "What's the weather like in Paris right now?"}]
inputs = tokenizer.apply_chat_template(
    messages, tools=[get_weather], add_generation_prompt=True, return_tensors="pt", return_dict=True
).to(model.device)
outputs = model.generate(**inputs, max_new_tokens=2048)
generated = tokenizer.decode(outputs[0, inputs["input_ids"].shape[1] :])
message = tokenizer.parse_response(generated, prefix=inputs["input_ids"][0], tools=[get_weather])
print(message["tool_calls"])
# [{'type': 'function', 'function': {'name': 'get_weather', 'arguments': {'city': 'Paris'}}}]

messages.append(message)
for call in message["tool_calls"]:
    result = get_weather(**call["function"]["arguments"])
    messages.append({"role": "tool", "name": call["function"]["name"], "content": result})
```

Luego, genera de nuevo desde `messages` para obtener la respuesta final. Las llamadas a herramientas analizadas no tienen `id`, y el formato coincide los resultados con las llamadas por posición, por lo que devuelve los resultados de las herramientas en el orden de las llamadas. La generación se detiene después de una respuesta final (`<|return|>`) o una llamada a herramienta (`<|call|>`); `generation_config.json` enumera ambas.

Para la transmisión, [get_response_parser()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.get_response_parser) devuelve un analizador al que se le `feed()` fragmentos de texto a medida que se generan. Consulte [Response parsing](../chat_response_parsing) para más detalles.

## Notas

- **Argumentos de plantilla.** Además de `reasoning_effort`, la plantilla de chat acepta `model_identity` (reemplaza la primera línea del mensaje de sistema), `builtin_tools` y `allow_missing_thinking`. `builtin_tools` solo debe nombrar las herramientas `search` y `browse`, y solo con las definiciones con las que Beam fue entrenado. Las demás herramientas solo necesitan `tools`. Los mensajes `system` y `developer` solo se renderizan al inicio de la conversación.
- **Entrenamiento.** La plantilla de chat marca la salida del asistente para `apply_chat_template(..., return_dict=True, return_assistant_tokens_mask=True)`, de modo que `SFTConfig(assistant_only_loss=True)` de TRL entrena únicamente en los tokens del asistente. La máscara cubre el razonamiento, la respuesta y las llamadas a herramientas de cada turno del asistente.
- **Sin pérdida auxiliar.** El router equilibra la carga de los expertos a través de su sesgo, por lo que `BeamForCausalLM` no calcula ninguna pérdida de equilibrio de carga. `output_router_logits=True` sigue devolviendo los logits del router.

## BeamConfig[[transformers.BeamConfig]]

#### transformers.BeamConfig[[transformers.BeamConfig]]

```python
transformers.BeamConfig(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 = 151936, hidden_size: int = 5120, intermediate_size: int = 20480, num_hidden_layers: int = 52, num_attention_heads: int = 48, num_key_value_heads: int = 8, hidden_act: str = 'silu', max_position_embeddings: int = 8192, initializer_range: float = 0.02, rms_norm_eps: float = 1e-06, use_cache: bool = True, tie_word_embeddings: bool = False, rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None, attention_bias: bool = False, sliding_window: int | None = 512, attention_dropout: float | int = 0.0, moe_intermediate_size: int = 2560, num_experts_per_tok: int = 8, num_experts: int = 256, norm_topk_prob: bool = True, output_router_logits: bool = False, pad_token_id: int | None = None, bos_token_id: int | None = None, eos_token_id: int | list[int] | None = None, head_dim: int = 128, layer_types: list[str] | None = None, mlp_layer_types: list[str] | None = None, n_group: int | None = 8, topk_group: int | None = 4, routed_scaling_factor: int | float = 2.5, final_logit_softcapping: int | float | None = 30.0)
```

[Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/beam/configuration_beam.py#L29)

**Parámetros:**

vocab_size (`int`, *opcional*, valor predeterminado `151936`) : Tamaño del vocabulario del modelo. Define el número de tokens diferentes que pueden representarse mediante `input_ids`.

hidden_size (`int`, *opcional*, valor predeterminado `5120`) : Dimensión de las representaciones ocultas.

intermediate_size (`int`, *opcional*, valor predeterminado `20480`) : Dimensión de las representaciones MLP.

num_hidden_layers (`int`, *opcional*, valor predeterminado `52`) : Número de capas ocultas en el decodificador del Transformer.

num_attention_heads (`int`, *opcional*, valor predeterminado `48`) : Número de cabezas de atención para cada capa de atención en el decodificador Transformer.

num_key_value_heads (`int`, *opcional*, valor predeterminado `8`) : Este es el número de cabezas de key_value que se deben utilizar para implementar Grouped Query Attention. Si `num_key_value_heads=num_attention_heads`, el modelo utilizará Multi Head Attention (MHA); si `num_key_value_heads=1`, el modelo utilizará Multi Query Attention (MQA); en caso contrario, se utilizará GQA. Al convertir un checkpoint multi-head a un checkpoint GQA, cada cabeza de key y value del grupo debe construirse mediante el promediado (meanpooling) de todas las cabezas originales dentro de ese grupo. Para más detalles, consulta [este artículo](https://huggingface.co/papers/2305.13245). Si no se especifica, el valor predeterminado será `num_attention_heads`.

hidden_act (`str`, *opcional*, valor predeterminado `silu`) : La función de activación no lineal (función o cadena) en el decodificador. Por ejemplo, `"gelu"`, `"relu"`, `"silu"`, etc.

max_position_embeddings (`int`, *opcional*, valor predeterminado `8192`) : La longitud máxima de secuencia con la que se podría utilizar este modelo.

initializer_range (`float`, *opcional*, valor predeterminado `0.02`) : La desviación estándar de truncated_normal_initializer para inicializar todas las matrices de pesos.

rms_norm_eps (`float`, *opcional*, valor predeterminado `1e-06`) : El epsilon utilizado por las capas de normalización rms.

use_cache (`bool`, *opcional*, valor predeterminado `True`) : Indica si el modelo debe devolver las últimas atenciones de claves/valores (no se utiliza en todos los modelos). Solo es relevante si `config.is_decoder=True` o cuando el modelo es un modelo generativo solo de decodificador.

tie_word_embeddings (`bool`, *opcional*, valor predeterminado `False`) : Si se deben vincular las incrustaciones de pesos según el mapeo `tied_weights_keys` del modelo.

rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`, *opcional*) : Diccionario que contiene los parámetros de configuración para las incrustaciones RoPE. El diccionario debe contener un valor para `rope_theta` y, opcionalmente, parámetros utilizados para el escalado en caso de que desee usar RoPE con `max_position_embeddings` más largas.

attention_bias (`bool`, *opcional*, valor predeterminado `False`) : Indica si se debe usar un sesgo en las capas de proyección de consulta, clave, valor y salida durante la autoatención.

sliding_window (`int`, *opcional*, valor predeterminado `512`) : Tamaño de la ventana de atención deslizante. Si es `None`, no se aplica ninguna ventana deslizante.

attention_dropout (`Union[float, int]`, *opcional*, valor predeterminado `0.0`) : La proporción de dropout para las probabilidades de atención.

moe_intermediate_size (`int`, *opcional*, valor predeterminado `2560`) : Tamaño intermedio de los MLPs de expertos enrutados.

num_experts_per_tok (`int`, *opcional*, valor predeterminado `8`) : Número de expertos a los que se enruta cada token. Este es el valor top-k para el enrutamiento de selección de token.

num_experts (`int`, *opcional*, valor predeterminado `256`) : Número de expertos enrutados en las capas MoE.

norm_topk_prob (`bool`, *opcional*, valor predeterminado `True`) : Si se normalizan los pesos de los expertos enrutados.

output_router_logits (`bool`, *opcional*, valor predeterminado `False`) : Indica si el modelo debe devolver los logits del router. Si se habilita, el modelo también podrá generar la pérdida auxiliar, que incluye la pérdida de equilibrado de carga y la pérdida z del router.

pad_token_id (`int`, *opcional*) : Id de token utilizado para el relleno en el vocabulario.

bos_token_id (`int`, *opcional*) : Id de token utilizado para el inicio de la secuencia en el vocabulario.

eos_token_id (`Union[int, list[int]]`, *opcional*) : Id de token utilizado para el fin de la secuencia en el vocabulario.

head_dim (`int`, *opcional*, valor predeterminado `128`) : La dimensión de la cabeza de atención. Si es None, se establecerá en hidden_size // num_attention_heads

layer_types (`list[str]`, *opcional*) : Una lista que mapea explícitamente cada índice de capa con su tipo de capa. Si no se proporciona, se generará automáticamente en función de los valores de la configuración.

mlp_layer_types (`list[str]`, *opcional*) : Tipo de MLP por capa, `"dense"` para un MLP SwiGLU o `"sparse"` para el bloque MoE. La longitud debe ser igual a `num_hidden_layers`. Por defecto, se usan tres capas densas seguidas de capas dispersas.

n_group (`int`, *opcional*, valor predeterminado 8) : Número de grupos para expertos enrutados.

topk_group (`int`, *opcional*, valor predeterminado `4`) : Número de grupos seleccionados para cada token (para cada token, garantizando que los expertos seleccionados estén solo dentro de `topk_group` grupos).

routed_scaling_factor (`Union[int, float]`, *opcional*, valor predeterminado `2.5`) : Factor de escalado o expertos enrutados.

final_logit_softcapping (`Union[int, float]`, *opcional*, valor predeterminado `30.0`) : Valor de recorte suave aplicado a los logits finales antes de calcular la distribución de probabilidad. Los logits se escalan mediante `tanh(logit / cap) * cap`.

Esta es la clase de configuración para almacenar la configuración de un BeamModel. Se utiliza para instanciar un modelo Beam según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de [reflection/Beam-1.0-501B-A23B](https://huggingface.co/reflection/Beam-1.0-501B-A23B)

Los objetos de configuración heredan de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) y se pueden utilizar para controlar las salidas del modelo. Consulte la documentación de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) para obtener más información.

```python
>>> from transformers import BeamConfig

>>> # Initializing a Beam configuration
>>> configuration = BeamConfig()
```

## BeamModel[[transformers.BeamModel]]

#### transformers.BeamModel[[transformers.BeamModel]]

```python
transformers.BeamModel(config: BeamConfig)
```

[Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/beam/modeling_beam.py#L501)

**Parámetros:**

config ([BeamConfig](/docs/transformers/main/es/model_doc/beam#transformers.BeamConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo.

El modelo Beam básico que emite estados ocultos sin ninguna cabeza específica en la parte superior.

Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.).

Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales.

#### forward[[transformers.BeamModel.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, cache: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/beam/modeling_beam.py#L518)

**Parámetros:**

input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/main/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids)

attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`:  - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**.  [¿Qué son las máscaras de atención?](../glossary#attention-mask)

position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`.  [¿Qué son los IDs de posición?](../glossary#position-ids)

cache (`~cache_utils.Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que pueden usarse para acelerar la decodificación secuencial. Esto suele consistir en la `cache` devuelta por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`.  Solo se permite una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache) como entrada, consulte nuestra [guía de kv cache](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasa ninguna `cache`, [DynamicCache](/docs/transformers/main/es/internal/generation_utils#transformers.DynamicCache) se inicializará de forma predeterminada.  El modelo devolverá el mismo formato de cache que se le haya proporcionado como entrada.  Si se usan `cache`, se espera que el usuario introduzca solo `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor pasados a este modelo) de forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` de forma `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo.

use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave de `cache` y pueden usarse para acelerar la decodificación (ver `cache`).

**Devuelve:** `MoeModelOutputWithPast` o `tuple(torch.Tensor)`

Un `MoeModelOutputWithPast` o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración (`None`) y las entradas.

El método forward de [BeamModel](/docs/transformers/main/es/model_doc/beam#transformers.BeamModel) sobrescribe el método especial `__call__`.

Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente.

- **last_hidden_state** (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`) -- Secuencia de estados ocultos en la salida de la última capa del modelo.
- **cache** (`Cache`, *opcional*, se devuelve cuando se pasa `use_cache=True` o cuando `config.use_cache=True`) -- Es una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache). Para más detalles, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache).

  Contiene estados ocultos precalculados (claves y valores en los bloques de autoatención y, opcionalmente, si `config.is_encoder_decoder=True`, en los bloques de atención cruzada) que pueden utilizarse (véase la entrada `cache`) para acelerar la decodificación secuencial.
- **hidden_states** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de los embeddings, si el modelo tiene una capa de embedding, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`.

  Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial.
- **attentions** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`.

  Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención.
- **router_logits** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_router_probs=True` y `config.add_router_probs=True` o cuando `config.output_router_probs=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, sequence_length, num_experts)`.

  Logits crudos del enrutador (post-softmax) que se calculan mediante los enrutadores de MoE; estos términos se utilizan para calcular la pérdida auxiliar en los modelos Mixture of Experts.

## BeamForCausalLM[[transformers.BeamForCausalLM]]

#### transformers.BeamForCausalLM[[transformers.BeamForCausalLM]]

```python
transformers.BeamForCausalLM(config: BeamConfig)
```

[Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/beam/modeling_beam.py#L591)

**Parámetros:**

config ([BeamConfig](/docs/transformers/main/es/model_doc/beam#transformers.BeamConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo.

El Beam Model para el modelado de lenguaje causal.

Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.).

Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales.

#### forward[[transformers.BeamForCausalLM.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, cache: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/beam/modeling_beam.py#L606)

**Parámetros:**

input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/main/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids)

attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`:  - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**.  [¿Qué son las máscaras de atención?](../glossary#attention-mask)

position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`.  [¿Qué son los IDs de posición?](../glossary#position-ids)

cache (`~cache_utils.Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que pueden usarse para acelerar la decodificación secuencial. Esto suele consistir en la `cache` devuelta por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`.  Solo se permite una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache) como entrada, consulte nuestra [guía de kv cache](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasa ninguna `cache`, [DynamicCache](/docs/transformers/main/es/internal/generation_utils#transformers.DynamicCache) se inicializará de forma predeterminada.  El modelo devolverá el mismo formato de cache que se le haya proporcionado como entrada.  Si se usan `cache`, se espera que el usuario introduzca solo `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor pasados a este modelo) de forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` de forma `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo.

labels (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Etiquetas para calcular la pérdida de modelado de lenguaje enmascarado. Los índices deben estar en `[0, ..., config.vocab_size]` o ser -100 (consulte la docstring de `input_ids`). Los tokens con índices fijados en `-100` se ignoran (se enmascaran); la pérdida solo se calcula para los tokens con etiquetas en `[0, ..., config.vocab_size]`.

use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave de `cache` y pueden usarse para acelerar la decodificación (ver `cache`).

logits_to_keep (`Union[int, torch.Tensor]`, *opcional*, valor predeterminado `0`) : Si es un `int`, se calculan los logits para los últimos `logits_to_keep` tokens. Si es `0`, se calculan los logits para todos los `input_ids` (caso especial). Solo se necesitan los logits del último token para la generación, y calcularlos únicamente para ese token puede ahorrar memoria, lo cual se vuelve bastante significativo para secuencias largas o un tamaño de vocabulario grande. Si es un `torch.Tensor`, debe ser de 1D y corresponder a los índices a conservar en la dimensión de longitud de secuencia. Esto es útil al usar el formato de tensor empaquetado (una sola dimensión para el lote y la longitud de secuencia).

**Devuelve:** `MoeCausalLMOutputWithPast` o `tuple(torch.Tensor)`

Un `MoeCausalLMOutputWithPast` o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración (`None`) y las entradas.

El método forward de [BeamForCausalLM](/docs/transformers/main/es/model_doc/beam#transformers.BeamForCausalLM) sobrescribe el método especial `__call__`.

Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente.

- **loss** (`torch.Tensor` de forma `(1,)`, *opcional*, se devuelve cuando se proporciona `labels`) -- Pérdida de modelado de lenguaje (para la predicción del siguiente token).
- **logits** (`torch.Tensor` de forma `(batch_size, sequence_length, config.vocab_size)`) -- Puntuaciones de predicción de la cabeza de modelado de lenguaje (puntuaciones para cada token del vocabulario antes de SoftMax).
- **aux_loss** (`torch.Tensor`, *opcional*, se devuelve cuando se pasa `output_router_logits=True` o cuando `config.output_router_logits=True`, y el modelo entrena su router con una pérdida de equilibrio de carga) -- Pérdida auxiliar de equilibrio de carga para los módulos dispersos. Los modelos que equilibran sus expertos con un sesgo del router en su lugar (DeepSeek-V3 y las arquitecturas derivadas de él) devuelven `None` aquí, aunque siguen devolviendo `router_logits`.
- **router_logits** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_router_logits=True` o cuando `config.output_router_logits=True`) -- Tupla de `torch.Tensor` (una por cada capa dispersa) de forma `(batch_size * sequence_length, num_experts)`.

  Logits crudos del router calculados por los routers de MoE. Se pueden utilizar para calcular una pérdida de equilibrado de carga o para inspeccionar cómo se asignan los tokens a los expertos.
- **cache** (`Cache`, *opcional*, se devuelve cuando se pasa `use_cache=True` o cuando `config.use_cache=True`) -- Es una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache). Para más detalles, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache).

  Contiene estados ocultos precalculados (claves y valores en los bloques de autoatención) que se pueden utilizar (véase la entrada `cache`) para acelerar la decodificación secuencial.
- **hidden_states** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de los embeddings, si el modelo tiene una capa de embedding, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`.

  Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial.
- **attentions** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`.

  Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención.

## BeamForTokenClassification[[transformers.BeamForTokenClassification]]

#### transformers.BeamForTokenClassification[[transformers.BeamForTokenClassification]]

```python
transformers.BeamForTokenClassification(config)
```

[Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/beam/modeling_beam.py#L660)

#### forward[[transformers.BeamForTokenClassification.forward]]

```python
forward(input_ids: torch.LongTensor | None = None, attention_mask: torch.Tensor | None = None, position_ids: torch.LongTensor | None = None, cache: Cache | None = None, inputs_embeds: torch.Tensor | None = None, labels: torch.LongTensor | None = None, use_cache: bool | None = None, **kwargs: Unpack[TransformersKwargs])
```

[Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/modeling_layers.py#L290)

**Parámetros:**

input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/main/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids)

attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`:  - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**.  [¿Qué son las máscaras de atención?](../glossary#attention-mask)

position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`.  [¿Qué son los IDs de posición?](../glossary#position-ids)

cache (`Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que pueden usarse para acelerar la decodificación secuencial. Esto suele consistir en la `cache` devuelta por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`.  Solo se permite una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache) como entrada, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasa ninguna `cache`, se inicializará [DynamicCache](/docs/transformers/main/es/internal/generation_utils#transformers.DynamicCache) de forma predeterminada.  El modelo devolverá el mismo formato de caché que se le haya proporcionado como entrada.  Si se usan `cache`, se espera que el usuario introduzca solo `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor pasados a este modelo) con forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` con forma `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo.

labels (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Etiquetas para calcular la pérdida de clasificación de tokens. Los índices deben estar en `[0, ..., config.num_labels - 1]`.

use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave de `cache` y pueden usarse para acelerar la decodificación (ver `cache`).

**Devuelve:** `TokenClassifierOutput`

El método forward de `GenericForTokenClassification` sobrescribe el método especial `__call__`.

Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente.

