# DeepSeek-V4

[DeepSeek-V4](https://huggingface.co/deepseek-ai) est le modèle de langage MoE de nouvelle génération de DeepSeek ([article](https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash/blob/main/DeepSeek_V4.pdf)). L'architecture remplace le Multi-head Latent Attention (MLA) de DeepSeek-V3 par une conception hybride locale + longue portée, substitue les connexions résiduelles par des Manifold-Constrained Hyper-Connections (mHC) et initialise les premières couches MoE à l'aide d'une table de hachage statique token-id → expert-id.

Cette implémentation couvre `DeepSeek-V4-Flash`, `DeepSeek-V4-Pro` et leurs variantes pré-entraînées `-Base`. Les quatre modèles partagent la même architecture ; ils ne diffèrent que par leur largeur, leur profondeur, leur nombre d’experts et leurs poids.

> [!TIP]
> Définissez `use_kernels=True` dans [from_pretrained()](/docs/transformers/v5.23.0/fr/main_classes/model#transformers.PreTrainedModel.from_pretrained) pour remplacer les couches prises en charge par des noyaux optimisés du Hub. Consultez [Chargement des noyaux](../kernel_doc/loading_kernels) pour en savoir plus.

## Architecture (papier §2)

### Attention hybride (§2.3)

Chaque bloc décodeur est de l'un des trois types d'attention, dispatché par `config.layer_types[i]` :

* **Attention complète à fenêtre glissante** (`"sliding_attention"`) : uniquement la fenêtre locale de `sliding_window` jetons, sans branche longue portée. Correspond au style « Full Attention » de V3 pour les couches de démarrage.
* **Compressed Sparse Attention** (`"compressed_sparse_attention"`, **CSA** — article §2.3.1) : un pool à faible taux de compression (`compress_rate_csa`, valeur par défaut `m=4`) avec des fenêtres chevauchantes, ainsi qu'un **Lightning Indexer** (équations 13–17) qui évalue les requêtes par rapport au pool et rassemble les `index_topk` meilleurs blocs par requête avant qu'elles n'atteignent l'attention principale.
* **Attention fortement compressée** (`"heavily_compressed_attention"`, **HCA** — article §2.3.2) : un pool à forte compression (`compress_rate_hca`, valeur par défaut `m'=128`) avec des fenêtres non chevauchantes. Aucun indexeur — chaque entrée du pool contribue à l'attention.

Les trois types partagent le même tronc commun :

* **Attention multi-requête avec K=V partagés** : `num_key_value_heads = 1` ; `kv_proj` produit une seule tête KV et le même tenseur est lu à la fois comme clé et comme valeur.
* **RoPE partiel** (interleaved-pair, §2.3.3 du papier « Partial Rotary Positional Embedding ») sur les `qk_rope_head_dim = head_dim * partial_rotary_factor` derniers canaux de chaque tête. La même rotation est appliquée avec la position `-i` à la tranche rope de la sortie d'attention (eq. 26) afin que la contribution de chaque entrée KV reste une fonction de la distance *relative* à la requête.
* **Évier d'attention apprenable par tête** (eq. 27).
* **Projection de sortie de faible rang groupée** (§2.3.1 « Grouped Output Projection ») : `o_groups` groupes de têtes → `o_lora_rank` par groupe → `hidden_size`, calculée par `DeepseekV4GroupedLinear` (`o_a_proj`) suivie de `o_b_proj`. Réduit le coût par jeton de la sortie d'attention large sans perte d'expressivité.
* La **branche partagée à fenêtre glissante K=V** de taille `sliding_window` (« Additional Branch of Sliding Window Attention », §2.3.1) préserve les dépendances locales fines ; la sortie du compresseur longue portée est concaténée avec les KV de cette branche avant l'attention principale.

### Hyper-Contraintes sur Variété (§2.2)

Les connexions résiduelles sont remplacées par mHC (Xie et al., 2026) : `hc_mult` flux résiduels parallèles maintenus sous la forme `[B, S, hc_mult, D]` au sein de chaque bloc. Deux modules `DeepseekV4HyperConnection` — `attn_hc` et `ffn_hc` — mélangent les flux en entrée et en sortie autour des sous-couches d'attention / MLP via un triplet `(pre, post, comb)`. La matrice `comb` est une projection doublement stochastique produite par des itérations de Sinkhorn–Knopp `hc_sinkhorn_iters` sur la variété, ce qui rend la propagation du signal non expansive à travers les piles profondes. Un `DeepseekV4HyperHead` final réduit les `hc_mult` flux en une seule séquence avant la normalisation du modèle.

### Planification MoE (§2.1)

Le routage est configuré par couche via `config.mlp_layer_types`, avec des valeurs issues de `{"hash_moe", "moe"}` :

* `"hash_moe"` : les indices d’experts proviennent d’une table de correspondance `tid2eid[input_ids]` figée, alimentée à partir du point de contrôle V4. Le `weight` de la porte apprise produit toujours les scores par expert qui pondèrent les experts sélectionnés ; seul le *choix des experts* est statique. Utilisé pour les premières couches de bootstrap (3 par défaut, modifiable via `num_hash_layers` hérité).
* `"moe"` : MoE routé top-k standard. L'affinité des experts utilise **Sqrt(Softplus(·))** au lieu du Sigmoid de V3 (« nous changeons la fonction d'activation qui calcule les scores d'affinité de Sigmoid(·) en Sqrt(Softplus(·)) », papier §2.1), et la contrainte `n_group` / `topk_group` de V3 est supprimée. La stratégie sans perte auxiliaire (`noaux_tc` de DeepSeek) est conservée grâce au tampon `e_score_correction_bias` qui biaise l'argmax top-k sans propager de gradients.

Les experts routés utilisent un **SwiGLU borné** (`gate.clamp(max=swiglu_limit)`, `up.clamp(min=-swiglu_limit, max=swiglu_limit)`, puis `act_fn(gate) * up`) au-dessus de la disposition standard des poids des experts Mixtral `[num_experts, 2 * moe_intermediate_size, hidden_size]`. Un expert partagé unique (un MLP SwiGLU simple de largeur `moe_intermediate_size`) s'exécute en parallèle sur chaque jeton.

### Disposition du masque d'attention

Chaque couche `DeepseekV4Attention` étend le masque causal à fenêtre glissante standard le long de l'axe des clés avec un `block_bias` renvoyé par son compresseur, puis transmet le masque concaténé à `eager_attention_forward`. La section glissante (à gauche, `[S, S]`) est identique pour tous les types de couches ; la section compresseur (à droite) varie selon le type de couche et constitue la pièce réellement « nouvelle » introduite par V4.

Les diagrammes ci-dessous ont été générés avec une configuration réduite (`sliding_window=8`, CSA `m=4`, HCA `m'=8`, `index_topk=2`) sur une entrée de 16 jetons, afin que le masque complet par type de couche tienne à l'écran. Vert = la diagonale requête/clé dans la section glissante, foncé = une position KV standard visible, clair = masqué, ambre = un emplacement compresseur / indexeur auquel la requête est autorisée à prêter attention. Les colonnes situées au-delà de la ligne pointillée sont ajoutées par le compresseur via `cat([sliding_causal_mask, block_bias], dim=-1)`.

**Couche à glissement uniquement (`"sliding_attention"`).** Pas de compresseur, pas de bourrage à droite — le masque est le masque causal à fenêtre glissante simple de forme `[S, S]` (fenêtre = 8). Pour `i ≥ window`, le triangle inférieur gauche est supprimé, ce qui restaure le motif d'attention purement local.

**Couche CSA (`"compressed_sparse_attention"`).** Le compresseur aplatit sa sortie collectée par requête en `[B, 1, S·k, D]` et remplit le masque à droite de `S·k` colonnes. Pour la requête `t`, seuls les `k` emplacements situés aux colonnes `[S + t·k, S + (t+1)·k)` contiennent les choix de l'indexeur ; toutes les autres colonnes du compresseur sont `-inf`. Les requêtes antérieures à la fermeture de la première fenêtre (`t < m − 1`) ne reçoivent rien — le sentinel `-1` de l'indexeur se propage directement dans le masque. À mesure que `t` augmente, davantage d'entrées compressées sont prêtes et l'indexeur peut remplir tous les `k` emplacements.

**Couche HCA (`"heavily_compressed_attention"`).** Aucun indexeur — chaque entrée compressée mise en cache est potentiellement visible. Remplissage à droite de `T_total = entry_count["compressor"]` colonnes. La requête `t` ne peut voir l'entrée `w` qu'une fois sa fenêtre source fermée, c'est-à-dire `w < (t + 1) // m`. Avec `m=8` ici, les entrées 0 (couvrant les positions `0..7`) et 1 (couvrant `8..15`) ne deviennent visibles qu'à `t ≥ 7` et `t ≥ 15` respectivement.

Ces diagrammes sont reproductibles de bout en bout via :

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

Le script exécute un passage avant sur cette configuration minuscule, enveloppe chaque couche d'attention afin de capturer le masque exact post-`cat([attention_mask, block_bias])`, remappe le masque à slots plats `[S, S·k]` de CSA vers une vue de visibilité par entrée `[S, T_entries]` (chaque colonne `C_w` étant ainsi une *entrée* compressée, et non un slot de collecte), et génère les trois SVG ci-dessus. Il affiche également une grille ANSI sur la sortie standard pour une inspection rapide dans le terminal et déverse les choix top-k par requête de l'indexeur, afin que les sentinelles de préchauffage et les choix de sélection soient auditable.

### Couches de cache

Chaque bloc d'attention non glissante doit transmettre l'état du compresseur / indexateur entre les appels de propagation avant. V4 fournit deux types de couche de cache qui s'enregistrent automatiquement dans `LAYER_TYPE_CACHE_MAPPING` :

* `DeepseekV4HCACache` : fenêtre glissante K=V + tampon / pool / compteur du compresseur HCA (sans chevauchement, sans indexeur).
* `DeepseekV4CSACache` : fenêtre glissante K=V + compresseur CSA (avec état de chevauchement) + tampon / pool / compteur / chevauchement de l’indexeur parallèle à `index_head_dim`.

`DynamicCache(config=…)` construit la couche de cache appropriée pour chaque `config.layer_types[i]`.

## 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)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/deepseek_v4/configuration_deepseek_v4.py#L40)

**Paramètres :**

vocab_size (`int`, *facultatif*, valeur par défaut `129280`) : Taille du vocabulaire du modèle. Définit le nombre de jetons différents qui peuvent être représentés par `input_ids`.

hidden_size (`int`, *facultatif*, valeur par défaut `4096`) : Dimension des représentations cachées.

moe_intermediate_size (`int`, *facultatif*, valeur par défaut `2048`) : Taille intermédiaire des MLP des experts routés.

num_hidden_layers (`int`, *facultatif*, valeur par défaut `43`) : Nombre de couches cachées dans le décodeur Transformer.

num_attention_heads (`int`, *facultatif*, valeur par défaut `64`) : Nombre de têtes d'attention pour chaque couche d'attention du décodeur Transformer.

num_key_value_heads (`int`, *facultatif*, valeur par défaut `1`) : C'est le nombre de têtes key_value à utiliser pour implémenter le Grouped Query Attention. Si `num_key_value_heads=num_attention_heads`, le modèle utilisera le Multi Head Attention (MHA) ; si `num_key_value_heads=1`, il utilisera le Multi Query Attention (MQA) ; sinon, le GQA est utilisé. Lors de la conversion d'un checkpoint multi-têtes vers un checkpoint GQA, chaque tête clé et valeur de groupe doit être construite en effectuant un meanpooling de toutes les têtes d'origine au sein de ce groupe. Pour plus de détails, consultez [cet article](https://huggingface.co/papers/2305.13245). S'il n'est pas spécifié, la valeur par défaut est `num_attention_heads`.

head_dim (`int`, *facultatif*, valeur par défaut `512`) : La dimension des têtes d'attention. Si None, la valeur par défaut est hidden_size // num_attention_heads

q_lora_rank (`int`, *facultatif*, valeur par défaut `1024`) : Rang des matrices LoRA pour les projections de requête.

num_experts_per_tok (`int`, *facultatif*, valeur par défaut `6`) : Nombre d'experts auxquels chaque jeton doit être routé. Il s'agit de la valeur top-k pour le routage par choix de jeton.

n_routed_experts (`int`, *facultatif*, par défaut `256`) : Nombre d'experts routés.

n_shared_experts (`int`, *facultatif*, par défaut `1`) : Nombre d'experts partagés.

scoring_func (`str`, *facultatif*, par défaut `sqrtsoftplus`) : Activation du routeur — `sqrtsoftplus`, `softmax` ou `sigmoid`.

norm_topk_prob (`bool`, *facultatif*, valeur par défaut `True`) : Indique s'il faut normaliser les poids des experts routés.

routed_scaling_factor (`float`, *facultatif*, valeur par défaut `1.5`) : Facteur d'échelle ou experts routés.

max_position_embeddings (`int`, *facultatif*, valeur par défaut `1048576`) : La longueur de séquence maximale avec laquelle ce modèle pourrait être utilisé.

rope_theta (`Union[float, int]`, *facultatif*, valeur par défaut `10000.0`) : base RoPE pour la rotation principale de l'auto-attention.

layer_types (`list[str]`, *facultatif*) : Plan d'attention par couche avec des valeurs issues de `{"compressed_sparse_attention", "heavily_compressed_attention"}`. Valeur par défaut de V4-Pro : 2× bootstrap HCA + CSA / HCA entrelacés.

compress_rates (`dict[str, int]`) : Taux de compression par type de couche. Par défaut `{"compressed_sparse_attention": 4, "heavily_compressed_attention": 128}` (m=4 pour CSA, m'=128 pour HCA, article §2.3.1 / §2.3.2). BC : les configurations qui fournissent `compress_rate_csa` / `compress_rate_hca` en tant que kwargs de premier niveau sont intégrées au moment de `__post_init__`.

compress_rope_theta (`Union[float, int]`, *facultatif*, valeur par défaut `160000.0`) : base RoPE pour les branches compressées (associée à `rope_scaling` pour YaRN).

hc_mult (`int`, *facultatif*, valeur par défaut `4`) : facteur d'expansion n_hc de la connexion hyper-constrainte par variété (mHC) (toujours actif ; section 2.2).

hc_sinkhorn_iters (`int`, *facultatif*, valeur par défaut `20`) : nombre d'itérations t_max de Sinkhorn-Knopp pour la projection de la mHC residual mapping sur les matrices doublement stochastiques.

hc_eps (`float`, *facultatif*, valeur par défaut `1e-06`) : Plancher numérique pour la normalisation de Sinkhorn-Knopp.

mlp_layer_types (`list[str]`, *facultatif*) : Plan MoE par couche, avec des valeurs issues de `{"hash_moe", "moe"}`. `hash_moe` effectue le routage via une recherche figée `tid2eid[input_ids]` (article §2.1, « Hash-MoE bootstrap ») ; `moe` correspond au MoE routé top-k standard. Par défaut : 3× `hash_moe` puis `moe` pour le reste. BC : les configurations héritées qui fournissent `num_hash_layers` en tant qu'argument mot-clé de premier niveau sont intégrées au moment de `__post_init__`.

swiglu_limit (`float`, *facultatif*, valeur par défaut `10.0`) : Applique un clip aux pré-activations gate/up des experts routés.

sliding_window (`int`, *facultatif*, valeur par défaut `128`) : Taille de la fenêtre locale n_win utilisée dans la branche à fenêtre glissante de chaque bloc d'attention.

o_groups (`int`, *facultatif*, valeur par défaut `8`) : Nombre de groupes de têtes g dans la projection de sortie groupée (article §2.3.1, « Grouped Output Projection »).

o_lora_rank (`int`, *facultatif*, valeur par défaut `1024`) : Dimension intermédiaire d_g par groupe dans la projection de sortie groupée.

index_n_heads (`int`, *facultatif*, valeur par défaut `64`) : Nombre de têtes de requête de l'indexeur n_h^I (article §2.3.1, eq. 14).

index_head_dim (`int`, *facultatif*, valeur par défaut `128`) : Dimension de la tête d'indexation c^I (article §2.3.1).

index_topk (`int`, *facultatif*, valeur par défaut `512`) : Nombre d'entrées compressées par requête que le Lightning Indexer conserve via top-k (article §2.3.1, eq. 17).

num_nextn_predict_layers (`int`, *facultatif*, valeur par défaut `1`) : nombre de couches MTP dans le point de contrôle en amont (non instanciées ici).

output_router_logits (`bool`, *facultatif*, valeur par défaut `False`) : Indique si les logits du routeur doivent être renvoyés par le modèle. L'activation de cette option permet également au modèle de produire la perte auxiliaire, incluant la perte d'équilibrage de charge et la perte z du routeur.

router_aux_loss_coef (`float`, *facultatif*, valeur par défaut `0.001`) : Coefficient de la perte auxiliaire d'équilibrage de charge. Utilisé pour pénaliser un routage inégal des experts dans les modèles MoE.

router_jitter_noise (`float`, *facultatif*, valeur par défaut `0.0`) : Quantité de bruit à ajouter aux logits du routeur pendant l'entraînement pour un meilleur équilibrage de charge.

hidden_act (`str`, *facultatif*, par défaut `silu`) : La fonction d'activation non linéaire (fonction ou chaîne de caractères) dans le décodeur. Par exemple, `"gelu"`, `"relu"`, `"silu"`, etc.

initializer_range (`float`, *facultatif*, valeur par défaut `0.02`) : L'écart-type de la truncated_normal_initializer utilisé pour l'initialisation de toutes les matrices de poids.

rms_norm_eps (`float`, *facultatif*, valeur par défaut `1e-06`) : L'épsilon utilisé par les couches de normalisation rms.

use_cache (`bool`, *facultatif*, valeur par défaut `True`) : Indique si le modèle doit retourner les dernières attentions clés/valeurs (non utilisé par tous les modèles). Pertinent uniquement si `config.is_decoder=True` ou si le modèle est un modèle génératif de type décodeur uniquement.

pad_token_id (`int`, *facultatif*) : Identifiant de jeton utilisé pour le bourrage dans le vocabulaire.

bos_token_id (`int`, *facultatif*, valeur par défaut `0`) : Identifiant du jeton utilisé pour le début de flux dans le vocabulaire.

eos_token_id (`Union[int, list[int]]`, *facultatif*, valeur par défaut `1`) : Identifiant de jeton utilisé pour la fin de flux dans le vocabulaire.

tie_word_embeddings (`bool`, *facultatif*, valeur par défaut `False`) : Indique s'il faut lier les embeddings de poids selon la correspondance `tied_weights_keys` du modèle.

rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`, *facultatif*) : Dictionnaire contenant les paramètres de configuration pour les embeddings RoPE. Le dictionnaire doit contenir une valeur pour `rope_theta` et, le cas échéant, les paramètres utilisés pour le mise à l'échelle si vous souhaitez utiliser RoPE avec des `max_position_embeddings` plus longs.

partial_rotary_factor (`float`, *facultatif*) : Fraction de head_dim qui reçoit RoPE. La valeur par défaut est `qk_rope_head_dim / head_dim`, de sorte que les tailles de cos/sin correspondent à `qk_rope_head_dim`.

attention_bias (`bool`, *facultatif*, valeur par défaut `False`) : Indique s'il faut utiliser un biais dans les couches de projection de requête, de clé, de valeur et de sortie lors de l'auto-attention.

mlp_bias (`bool`, *facultatif*, valeur par défaut `False`) : Indique s'il faut utiliser un biais dans les couches up_proj, down_proj et gate_proj des couches MLP.

attention_dropout (`float`, *facultatif*, valeur par défaut `0.0`) : Le taux de dropout appliqué aux probabilités d'attention.

Ceci est la classe de configuration destinée à stocker la configuration d'un DeepseekV4Model. Elle est utilisée pour instancier un modèle Deepseek V4 en fonction des arguments spécifiés, en définissant l'architecture du modèle. L'instanciation d'une configuration avec les valeurs par défaut produira une configuration similaire à celle de [deepseek-ai/DeepSeek-V4-Flash-Base](https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Base)

Les objets de configuration héritent de [PreTrainedConfig](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig) et peuvent être utilisés pour contrôler les sorties du modèle. Consultez la documentation de [PreTrainedConfig](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig) pour plus d’informations.

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

```python
validate_layer_type()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/deepseek_v4/configuration_deepseek_v4.py#L214)

V4 restreint la liste globale `ALLOWED_LAYER_TYPES` aux trois types de blocs d'attention et aux deux types de blocs MLP qu'il fournit réellement, en plus des vérifications standard de longueur et d'appartenance au type.

## DeepseekV4Model[[transformers.DeepseekV4Model]]

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

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

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/deepseek_v4/modeling_deepseek_v4.py#L1310)

**Paramètres :**

config ([DeepseekV4Config](/docs/transformers/v5.23.0/fr/model_doc/deepseek_v4#transformers.DeepseekV4Config)) : Classe de configuration du modèle contenant tous les paramètres du modèle. L'initialisation à partir d'un fichier de configuration ne charge pas les poids associés au modèle, uniquement la configuration. Consultez la méthode [from_pretrained()](/docs/transformers/v5.23.0/fr/main_classes/model#transformers.PreTrainedModel.from_pretrained) pour charger les poids du modèle.

Le modèle Deepseek V4 brut, produisant des états cachés bruts sans aucune tête spécifique au sommet.

Ce modèle hérite de [PreTrainedModel](/docs/transformers/v5.23.0/fr/main_classes/model#transformers.PreTrainedModel). Consultez la documentation de la classe parente pour les méthodes génériques que la bibliothèque implémente pour tous ses modèles (tels que le téléchargement ou l'enregistrement, le redimensionnement des embeddings d'entrée, l'élagage des têtes, etc.).

Ce modèle est également une sous-classe de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Utilisez-le comme un module PyTorch standard et consultez la documentation de PyTorch pour tout ce qui concerne l’utilisation et le comportement généraux.

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

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/deepseek_v4/modeling_deepseek_v4.py#L1328)

**Paramètres :**

input_ids (`torch.LongTensor` de forme `(batch_size, sequence_length)`, *facultatif*) : Indices des jetons de la séquence d'entrée dans le vocabulaire. Le bourrage (padding) sera ignoré par défaut. Les indices peuvent être obtenus à l'aide de [AutoTokenizer](/docs/transformers/v5.23.0/fr/model_doc/auto#transformers.AutoTokenizer). Consultez [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/fr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) et [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/fr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) pour plus de détails. [Que sont les identifiants d'entrée ?](../glossary#input-ids)

attention_mask (`torch.Tensor` de forme `(batch_size, sequence_length)`, *facultatif*) : Masque pour éviter d'appliquer l'attention aux indices des jetons de bourrage. Les valeurs du masque sont choisies dans `[0, 1]` : - 1 pour les jetons qui ne sont **pas masqués**, - 0 pour les jetons qui sont **masqués**. [Qu'est-ce qu'un masque d'attention ?](../glossary#attention-mask)

position_ids (`torch.LongTensor` de forme `(batch_size, sequence_length)`, *facultatif*) : Indices des positions des jetons de chaque séquence d'entrée dans les embeddings de position. Sélectionnés dans l'intervalle `[0, config.n_positions - 1]`.  [Que sont les identifiants de position ?](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *facultatif*) : États cachés précalculés (clés et valeurs dans les blocs d'auto-attention et dans les blocs d'attention croisée) qui peuvent être utilisés pour accélérer le décodage séquentiel. Il s'agit généralement des `past_key_values` renvoyés par le modèle à une étape antérieure du décodage, lorsque `use_cache=True` ou `config.use_cache=True`.  Seule une instance de [Cache](/docs/transformers/v5.23.0/fr/internal/generation_utils#transformers.Cache) est autorisée en entrée, voir notre [guide sur le cache kv](https://huggingface.co/docs/transformers/en/kv_cache). Si aucun `past_key_values` n'est transmis, [DynamicCache](/docs/transformers/v5.23.0/fr/internal/generation_utils#transformers.DynamicCache) est initialisé par défaut.  Le modèle renverra le même format de cache que celui fourni en entrée.  Si `past_key_values` sont utilisés, l'utilisateur doit fournir uniquement les `input_ids` non traités (ceux pour lesquels les états de clés et de valeurs passées ne sont pas fournis à ce modèle) de forme `(batch_size, unprocessed_length)` au lieu de tous les `input_ids` de forme `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` de forme `(batch_size, sequence_length, hidden_size)`, *facultatif*) : Facultativement, au lieu de passer `input_ids`, vous pouvez choisir de passer directement une représentation intégrée. Cela est utile si vous souhaitez un meilleur contrôle sur la manière de convertir les indices `input_ids` en vecteurs associés, par rapport à la matrice de recherche d'intégration interne du modèle.

use_cache (`bool`, *facultatif*) : Si défini sur `True`, les états clé-valeur de `past_key_values` sont renvoyés et peuvent être utilisés pour accélérer le décodage (voir `past_key_values`).

**Retourne :** `MoeModelOutputWithPast` ou `tuple(torch.Tensor)`

Un `MoeModelOutputWithPast` ou un tuple de `torch.Tensor` (si `return_dict=False` est passé ou lorsque `config.return_dict=False`) comprenant divers éléments selon la configuration ([DeepseekV4Config](/docs/transformers/v5.23.0/fr/model_doc/deepseek_v4#transformers.DeepseekV4Config)) et les entrées.

La méthode forward du modèle [DeepseekV4Model](/docs/transformers/v5.23.0/fr/model_doc/deepseek_v4#transformers.DeepseekV4Model) redéfinit la méthode spéciale `__call__`.

Bien que la recette de la passe avant doive être définie dans cette fonction, il faut ensuite appeler l'instance `Module` plutôt que celle-ci, car la première gère l'exécution des étapes de prétraitement et de post-traitement, tandis que la seconde les ignore silencieusement.

- **last_hidden_state** (`torch.Tensor` de forme `(batch_size, sequence_length, hidden_size)`) -- Séquence d'états cachés à la sortie de la dernière couche du modèle.
- **past_key_values** (`Cache`, *facultatif*, renvoyé lorsque `use_cache=True` est passé ou lorsque `config.use_cache=True`) -- Il s'agit d'une instance de [Cache](/docs/transformers/v5.23.0/fr/internal/generation_utils#transformers.Cache). Pour plus de détails, consultez notre [guide sur le cache kv](https://huggingface.co/docs/transformers/en/kv_cache).

  Contient des états cachés précalculés (clés et valeurs dans les blocs d'auto-attention et, le cas échéant, si `config.is_encoder_decoder=True`, dans les blocs d'attention croisée) qui peuvent être utilisés (voir l'entrée `past_key_values`) pour accélérer le décodage séquentiel.
- **hidden_states** (`tuple(torch.Tensor)`, *facultatif*, renvoyé lorsque `output_hidden_states=True` est passé ou lorsque `config.output_hidden_states=True`) -- Tuple de `torch.Tensor` (un pour la sortie des embeddings, si le modèle possède une couche d’embedding, + un pour la sortie de chaque couche) de forme `(batch_size, sequence_length, hidden_size)`.

  États cachés du modèle à la sortie de chaque couche, ainsi que les sorties d'incorporation initiales facultatives.
- **attentions** (`tuple(torch.Tensor)`, *facultatif*, renvoyé lorsque `output_attentions=True` est passé ou lorsque `config.output_attentions=True`) -- Tuple de `torch.Tensor` (un par couche) de forme `(batch_size, num_heads, sequence_length, sequence_length)`.

  Pondérations des attentions après le softmax d'attention, utilisées pour calculer la moyenne pondérée dans les têtes d'auto-attention.
- **router_logits** (`tuple(torch.Tensor)`, *facultatif*, renvoyé lorsque `output_router_probs=True` et `config.add_router_probs=True` sont passés ou lorsque `config.output_router_probs=True`) -- Tuple de `torch.Tensor` (un par couche) de forme `(batch_size, sequence_length, num_experts)`.

  Logits bruts du routeur (après softmax) calculés par les routeurs MoE ; ces termes sont utilisés pour calculer la perte auxiliaire des modèles Mixture of Experts.

## DeepseekV4ForCausalLM[[transformers.DeepseekV4ForCausalLM]]

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

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

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/deepseek_v4/modeling_deepseek_v4.py#L1458)

**Paramètres :**

config ([DeepseekV4Config](/docs/transformers/v5.23.0/fr/model_doc/deepseek_v4#transformers.DeepseekV4Config)) : Classe de configuration du modèle contenant tous les paramètres du modèle. L'initialisation à partir d'un fichier de configuration ne charge pas les poids associés au modèle, uniquement la configuration. Consultez la méthode [from_pretrained()](/docs/transformers/v5.23.0/fr/main_classes/model#transformers.PreTrainedModel.from_pretrained) pour charger les poids du modèle.

Le modèle Deepseek V4 pour la modélisation de langage causale.

Ce modèle hérite de [PreTrainedModel](/docs/transformers/v5.23.0/fr/main_classes/model#transformers.PreTrainedModel). Consultez la documentation de la classe parente pour les méthodes génériques que la bibliothèque implémente pour tous ses modèles (tels que le téléchargement ou l'enregistrement, le redimensionnement des embeddings d'entrée, l'élagage des têtes, etc.).

Ce modèle est également une sous-classe de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Utilisez-le comme un module PyTorch standard et consultez la documentation de PyTorch pour tout ce qui concerne l’utilisation et le comportement généraux.

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

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/deepseek_v4/modeling_deepseek_v4.py#L1476)

**Paramètres :**

input_ids (`torch.LongTensor` de forme `(batch_size, sequence_length)`, *facultatif*) : Indices des jetons de la séquence d'entrée dans le vocabulaire. Le bourrage (padding) sera ignoré par défaut. Les indices peuvent être obtenus à l'aide de [AutoTokenizer](/docs/transformers/v5.23.0/fr/model_doc/auto#transformers.AutoTokenizer). Consultez [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/fr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) et [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/fr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) pour plus de détails. [Que sont les identifiants d'entrée ?](../glossary#input-ids)

attention_mask (`torch.Tensor` de forme `(batch_size, sequence_length)`, *facultatif*) : Masque pour éviter d'appliquer l'attention aux indices des jetons de bourrage. Les valeurs du masque sont choisies dans `[0, 1]` : - 1 pour les jetons qui ne sont **pas masqués**, - 0 pour les jetons qui sont **masqués**. [Qu'est-ce qu'un masque d'attention ?](../glossary#attention-mask)

position_ids (`torch.LongTensor` de forme `(batch_size, sequence_length)`, *facultatif*) : Indices des positions des jetons de chaque séquence d'entrée dans les embeddings de position. Sélectionnés dans l'intervalle `[0, config.n_positions - 1]`.  [Que sont les identifiants de position ?](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *facultatif*) : États cachés précalculés (clés et valeurs dans les blocs d'auto-attention et dans les blocs d'attention croisée) qui peuvent être utilisés pour accélérer le décodage séquentiel. Il s'agit généralement des `past_key_values` renvoyés par le modèle à une étape antérieure du décodage, lorsque `use_cache=True` ou `config.use_cache=True`.  Seule une instance de [Cache](/docs/transformers/v5.23.0/fr/internal/generation_utils#transformers.Cache) est autorisée en entrée, voir notre [guide sur le cache kv](https://huggingface.co/docs/transformers/en/kv_cache). Si aucun `past_key_values` n'est transmis, [DynamicCache](/docs/transformers/v5.23.0/fr/internal/generation_utils#transformers.DynamicCache) est initialisé par défaut.  Le modèle renverra le même format de cache que celui fourni en entrée.  Si `past_key_values` sont utilisés, l'utilisateur doit fournir uniquement les `input_ids` non traités (ceux pour lesquels les états de clés et de valeurs passées ne sont pas fournis à ce modèle) de forme `(batch_size, unprocessed_length)` au lieu de tous les `input_ids` de forme `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` de forme `(batch_size, sequence_length, hidden_size)`, *facultatif*) : Facultativement, au lieu de passer `input_ids`, vous pouvez choisir de passer directement une représentation intégrée. Cela est utile si vous souhaitez un meilleur contrôle sur la manière de convertir les indices `input_ids` en vecteurs associés, par rapport à la matrice de recherche d'intégration interne du modèle.

labels (`torch.LongTensor` de forme `(batch_size, sequence_length)`, *facultatif*) : Étiquettes pour le calcul de la perte de modélisation de langage causale. Les indices doivent être dans `[-100, 0, ..., config.vocab_size]` (voir la docstring de `input_ids`). Les jetons dont l'indice est défini sur `-100` sont ignorés (masqués) ; la perte n'est calculée que pour les jetons dont l'étiquette est dans `[0, ..., config.vocab_size]`. Les étiquettes sont **décalées en interne** de sorte que `labels[..., 1:]` sont utilisés pour prédire `logits[..., :-1, :]`. Transmettez des étiquettes non décalées correspondant à `input_ids` (c'est-à-dire `labels = input_ids`). Ne **décalez pas** vous-même les étiquettes avant de les transmettre. Si les étiquettes sont déjà décalées (par exemple avec le parallélisme de séquence), transmettez-les en tant qu'argument mot-clé `shift_labels` et elles seront utilisées telles quelles. Il faut toujours transmettre `labels` pour que la perte soit calculée.

use_cache (`bool`, *facultatif*) : Si défini sur `True`, les états clé-valeur de `past_key_values` sont renvoyés et peuvent être utilisés pour accélérer le décodage (voir `past_key_values`).

output_router_logits (`bool`, *facultatif*) : Indique s'il faut retourner les logits de tous les routeurs. Ils sont utiles pour calculer la perte du routeur et ne doivent pas être retournés lors de l'inférence.

logits_to_keep (`Union[int, torch.Tensor]`, *facultatif*, valeur par défaut `0`) : Si c'est un `int`, calcule les logits pour les `logits_to_keep` derniers jetons. Si c'est `0`, calcule les logits pour tous les `input_ids` (cas particulier). Seuls les logits du dernier jeton sont nécessaires pour la génération, et les calculer uniquement pour ce jeton peut faire économiser de la mémoire, ce qui devient assez significatif pour les séquences longues ou les tailles de vocabulaire importantes. Si c'est un `torch.Tensor`, il doit être 1D et correspondre aux indices à conserver dans la dimension de la longueur de la séquence. C'est utile lors de l'utilisation du format de tenseurs empilés (une seule dimension pour le lot et la longueur de la séquence).

**Retourne :** `MoeCausalLMOutputWithPast` ou `tuple(torch.Tensor)`

Un `MoeCausalLMOutputWithPast` ou un tuple de `torch.Tensor` (si `return_dict=False` est passé ou lorsque `config.return_dict=False`) comprenant divers éléments selon la configuration ([DeepseekV4Config](/docs/transformers/v5.23.0/fr/model_doc/deepseek_v4#transformers.DeepseekV4Config)) et les entrées.

La méthode forward de [DeepseekV4ForCausalLM](/docs/transformers/v5.23.0/fr/model_doc/deepseek_v4#transformers.DeepseekV4ForCausalLM) redéfinit la méthode spéciale `__call__`.

Bien que la recette de la passe avant doive être définie dans cette fonction, il faut ensuite appeler l'instance `Module` plutôt que celle-ci, car la première gère l'exécution des étapes de prétraitement et de post-traitement, tandis que la seconde les ignore silencieusement.

- **loss** (`torch.Tensor` de forme `(1,)`, *facultatif*, renvoyé lorsque `labels` est fourni) -- Perte de modélisation du langage (pour la prédiction du jeton suivant).
- **logits** (`torch.Tensor` de forme `(batch_size, sequence_length, config.vocab_size)`) -- Scores de prédiction de la tête de modélisation du langage (scores pour chaque jeton du vocabulaire avant SoftMax).
- **aux_loss** (`torch.Tensor`, *facultatif*, renvoyé lorsque `output_router_logits=True` est passé ou lorsque `config.output_router_logits=True`, et que le modèle entraîne son routeur avec une perte d'équilibrage de charge) -- Perte auxiliaire d'équilibrage de charge pour les modules creux. Les modèles qui équilibrent leurs experts avec un biais de routeur à la place (DeepSeek-V3 et les architectures dérivées de celui-ci) renvoient `None` ici tout en renvoyant toujours `router_logits`.
- **router_logits** (`tuple(torch.Tensor)`, *facultatif*, renvoyé lorsque `output_router_logits=True` est passé ou lorsque `config.output_router_logits=True`) -- Tuple de `torch.Tensor` (un pour chaque couche creuse) de forme `(batch_size * sequence_length, num_experts)`.

  Logits bruts du routeur calculés par les routeurs MoE. Ils peuvent être utilisés pour calculer une perte d'équilibrage de charge ou pour inspecter la manière dont les jetons sont acheminés vers les experts.
- **past_key_values** (`Cache`, *facultatif*, renvoyé lorsque `use_cache=True` est passé ou lorsque `config.use_cache=True`) -- Il s'agit d'une instance de [Cache](/docs/transformers/v5.23.0/fr/internal/generation_utils#transformers.Cache). Pour plus de détails, consultez notre [guide sur le cache kv](https://huggingface.co/docs/transformers/en/kv_cache).

  Contient des états cachés précalculés (clés et valeurs dans les blocs d'auto-attention) qui peuvent être utilisés (voir l'entrée `past_key_values`) pour accélérer le décodage séquentiel.
- **hidden_states** (`tuple(torch.Tensor)`, *facultatif*, renvoyé lorsque `output_hidden_states=True` est passé ou lorsque `config.output_hidden_states=True`) -- Tuple de `torch.Tensor` (un pour la sortie des embeddings, si le modèle possède une couche d’embedding, + un pour la sortie de chaque couche) de forme `(batch_size, sequence_length, hidden_size)`.

  États cachés du modèle à la sortie de chaque couche, ainsi que les sorties d'incorporation initiales facultatives.
- **attentions** (`tuple(torch.Tensor)`, *facultatif*, renvoyé lorsque `output_attentions=True` est passé ou lorsque `config.output_attentions=True`) -- Tuple de `torch.Tensor` (un par couche) de forme `(batch_size, num_heads, sequence_length, sequence_length)`.

  Pondérations des attentions après le softmax d'attention, utilisées pour calculer la moyenne pondérée dans les têtes d'auto-attention.

Exemple :

```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."
```

