Lanzamiento v5.20.0

Añadidos del nuevo modelo

Muse Spark Open

Muse Spark Open es un modelo multimodal de mezcla de expertos de Meta que toma texto, imágenes, audio y video como entrada y genera texto. Tiene 816B de parámetros en total (42B activos por token) y una ventana de contexto de hasta 1,048,576 tokens compartida entre las modalidades. Está entrenado para tareas de codificación agentica como edición de múltiples archivos, depuración y uso de herramientas. Los checkpoints están disponibles en formatos BF16 y NVFP4.

Enlaces: Documentación | Artículo de blog * Añadir Muse Spark Open (#49644) por @guarin en #49644

Ling 3.0

Ling 3.0 Flash es un modelo de lenguaje híbrido de Mixture-of-Experts de InclusionAI. Sus decodadores agrupan cinco capas de Kimi Delta Attention (KDA) con una capa de Multi-head Latent Attention (MLA). Los bloques MLA utilizan incrustaciones rotativas intercaladas y una puerta de salida por cabeza, mientras que los bloques feed-forward combinan expertos encaminados y compartidos. Está soportado nativamente en Transformers como BailingHybridForCausalLM, por lo que se carga sin trust_remote_code=True.

Enlaces: Documentación * [Modelo] Añadir soporte nativo para Ling 3.0 Flash (#49446) por @icavan en #49446

Kolibri1

Kolibri 1 es el modelo de razonamiento mixto de expertos de Aleph Alpha, enfocado en alemán e inglés. Cada uno de sus 50 capas dirige cada token a 6 de los 384 expertos mediante enrutamiento sigmóide, y añade un experto compartido. Cuatro capas de atención con ventana deslizante se alternan con una capa de atención completa, y RoPE se aplica únicamente en las capas con ventana deslizante.

Enlaces: Documentación * Añadir Kolibri 1 (#49463) por @lucamotz en #49463

MiniCPM-V 4.7

MiniCPM-V es una serie de modelos de lenguaje grandes multimodales eficientes desarrollados por OpenBMB. Al igual que MiniCPM-V 4.6, la arquitectura MiniCPM-V 4.7 combina un codificador de visión SigLIP que tiene una fusión de atención a ventana con un esqueleto de modelo de lenguaje Qwen3.5, y soporta ambos modos de reducción visual de 4x y 16x.

La principal adición respecto a 4.6 es canvas M-RoPE: en lugar de numerar los tokens visuales a lo largo de una única secuencia 1-D, el modelo coloca cada imagen en un lienzo 2-D y asigna a cada token visual un (temporal, height, width) posición, de modo que las secciones de la misma imagen mantengan su relación espacial y los fotogramas de video mantengan su orden temporal.

• Arreglar más cosas (#48979) por @zucchini-nlp en #48979

UnlimitedOcr

UnlimitedOcr es un modelo de OCR único con 3B de parámetros, desarrollado por Baidu, con una longitud de contexto estándar de 32,768 tokens. Se basa en DeepSeek OCR y reemplaza todas las capas de atención del decodificador por Reference Sliding Window Attention (R-SWA). Esto mantiene el cache KV constante durante el decodificado, por lo que el modelo puede transcribir docenas de páginas en una sola pasada hacia adelante. Soporta el modo “gundam” (640x640 de tiles con recorte dinámico) y el modo “base” (una vista única de 1024x1024), y puede generar detecciones de regiones con cajas de contorno.

Enlaces: Documentación | Papel * Añadir Unlimited OCR (#46836) por @guarin #46836

UltraBERT

UltraBERT es una familia de codificadores de texto bidireccional entrenados con una combinación de proporciones de ocultamiento, pruning y distilización para tareas de clasificación y recuperación. Los codificadores lanzados soportan secuencias de hasta 32,768 tokens. Utilizan embeddings de posición rotativa, RMSNorm, capas feed-forward SwiGLU y atención local y global alternada (cada tercera capa es global). Los puntos de control incluyen UltraBERT-150M y UltraBERT-380M para el modelado del lenguaje oculto y el ajuste fino, así como UltraBERT-Embed-150M para los embebidos de texto.

Enlaces: Documentación | Artículo * Integre la arquitectura UltraBERT (#49596) por @tomaarsen en #49596

MOSS-Transcribir-Diarizar

MOSS-Transcribe-Diarizar 0.9B es un modelo de comprensión de audio de punto final para transcripción de larga duración con múltiples hablantes, diarización de hablantes y marcadores de tiempo. Combina un codificador al estilo Whisper, un paso de fusionación de 4× fotogramas, un proyector multimodal y un modelo de lenguaje Qwen3. Produce transcripción y diarización conjunta en una sola pasada, con los segmentos formateados como [start][S01]text[end]. Soporta audios de formato largo a través del segmentado en ventanas de Whisper en el procesador, transcripción programable con ajuste de palabras clave, y más de 50 idiomas.

Enlaces: Documentación * Agrega el modelo MOSS-Transcribe-Diarize (#48386) por @itazap en #48386

Cambios de diseño

🚨 Aviso general de corteza: la inferencia con EP presenta regresiones en velocidad; estamos trabajando para solucionar esto lo antes posible. 🚨

Los métodos y verificaciones desusados han sido eliminados de cache_utils.py (afectando modelos como minimax_m3_vl y pi0), por lo que cualquier código que siga llamando a esos métodos de caché desusados debe cambiar a la API de caché actual. * 🚨 Elimine los métodos de utilidades de caché desusados (#49605) por @guarin

Se eliminaron importaciones accidentales de otros modelos en varios archivos del modelo (por ejemplo, embedding_gemma2, ijepa, lightglue), y el convertidor modular ahora evita agregar tales importaciones entre modelos. Si importaste estos nombres a través de esos módulos del modelo, impórtalos desde sus módulos originales en su lugar. * 🚨 Eliminar las importaciones de otros modelos (#49473) por @guarin

La versión mínima de kernels es ahora 0.17.2, lo que permite use_fallback=KernelizeFallback.ALL de modo que una carga fallida del kernel se redirige a la implementación original en lugar de generar un error. Actualice kernels a 0.17.2 o posterior. * 🚨 Aumentamos el mínimo de kernels a 0.17.2 para un mejor fallback (#49235) por @SunMarc

Un nuevo SubConfigSpec centraliza la inicialización de las sub-configuraciones, por lo que las sub-configuraciones por defecto se recopilan de los campos de la dataclass en lugar de ser inicializadas directamente, y esto afecta a las utilidades de configuración y a muchas configuraciones del modelo. Las configuraciones anidadas personalizadas o existentes podrían necesitar ser actualizadas para declarar sus sub-configuraciones a través de este mecanismo. * :rotating_light: SubConfigSpec para la inicialización centralizada de las subconfiguraciones (#48282) por @zucchini-nlp

Los tokenizadores LUKE y mLUKE ahora tratan los tokens especiales de entidades, como <ent>, como tokens especiales (no se dividen, son respetados por skip_special_tokens y se normalizan), manteniendo el mismo espaciado que los tokens del vocabulario regular durante la decodificación. Por lo tanto, el resultado de la tokenización y decodificación que incluye estos tokens puede diferir de antes; verifique cualquier código o salida guardada que dependa del comportamiento anterior. * 🚨🚨🚨 luke fixe (#48408) por @itazap

Exportadores

Los exportadores de Transformers ahora soportan la cuantización directamente durante la exportación en Dynamo, ONNX, OpenVINO y ExecuTorch. La nueva API unificada de cuantización integra a PT2E, ONNX Runtime y NNCF quantizers, permitiendo cuantización estática y dinámica, así como compresión únicamente de pesos (INT8/INT4), con flujos de trabajo de calibración configurables. Esto facilita la exportación de modelos optimizados para una inferencia eficiente en diferentes backends.

Para obtener más información, consulte los documentos: https://huggingface.co/docs/transformers/exporters_quantization

Paralelización

Esta versión mejora el entrenamiento distribuido y la inferencia. Los puntos de control del modelo FSDP × TP y del optimizador ahora pueden guardarse y cargarse entre diferentes configuraciones paralelas, y se han corregido los valores de byte del alocador de caché para los planes tensorales paralelos, el despacho paralelo experto y el caché estático generate(). Las cabezas LM vinculadas en los modelos compuestos ahora tienen su propio registro en el plan TP, enable_expert_parallel aplica nuevamente solo el plan EP, y la carga de TPU utiliza `tor`.

• FSDP x TP Saving / Loading, Optimizer (#49256) por @michaelbenayoun en [#49256]
• FSDP x TP Saving / Loading (#48802) por @michaelbenayoun en [#48802]
• No establezca un dispositivo por rango para las pruebas de gloo tensor-parallel (#49636) por @IlyasMoutawwakil en [#49636]
• fix(distribuido): mantener enable_expert_parallel como EP solo (#49633) por @dacorvo en [#49633]
• Arreglar la carrera de asignación de puertos en los tests FSDP (#49455) por @icavan en [#49455]
• El despacho paralelo de expertos entrega a los expertos las filas recibidas, no el resultado pendiente de all-to-all (#49421) por @IlyasMoutawwakil en [#49421]
• Arreglar la función generate() de static-cache con entradas del lado del host y bajo TP (#49317), por @dacorvo en [#49317]
• Composición de plan de liderazgo del LM (#49080) por @IlyasMoutawwakil en [#49080]
• Corrección: usar las API de dispositivos torch.accelerator para que el cargamento de TP funcione nuevamente en TPU (#49502) por @tengomucho en [#49502]
• Cuenta ep y fsdp en el cálculo de byte de caching_allocator_warmup (#49384) por @3outeille en [#49384]
• No envolver el modelo en FSDP para el despacho de tokens paralelo experto (#49383) por @3outeille en [#49383].

Generación

Esta versión corrige los errores de generate() de static-cache con entradas del lado del host y bajo el paralelismo de tensores. También acelera la generación de Whisper en TPU al reducir las sincronizaciones del dispositivo y la recompilación, y corrige el decodificado de时间戳 en lotes de Whisper para entradas de tensores y NumPy. Los pipelines reciben una limpieza en el manejo de los argumentos de generación que elimina las advertencias no necesarias.

• Añadir trabajo para generar automáticamente la imagen de Docker de CPU Intel (#49560) por @regisss en [#49560]
• Decodificación de imagen se traslada a torchcodec (#47963) por @zucchini-nlp en [#47963]
• Optimizar la generación de Whisper para TPU y sincronización de dispositivo (#49426) por @tengomucho en [#49426]
• Limpieza de generación en pipelines (#49269) por @Rocketknight1 en [#49269]
• Corregir la decodificación del timestamp de lote de Whisper para tensores (#49419) por @Kingofbooks en [#49419]

Visión

El procesamiento de visión se actualizó en varios lugares. La decodificación de imágenes ahora utiliza torchcodec; los parámetros kwargs de imágenes y videos de Molmo2 siguen las convenciones estándar de la biblioteca; Pixtral Flash Attention ya no detecta límites de imagen falsos después del refactorización de axial RoPE, lo que causaba errores de acceso a memoria ilegal en CUDA y salidas incorrectas. También se implementaron varios cambios en CI y Docker: las imágenes para GPU se trasladaron a Python 3.11, y hubo un conflicto entre numpy/pyarrow.

• Corregir el conflicto entre numpy/pyarrow en la imagen de Docker XPU (#49582) por @jiqing-feng en [#49582]
• CI: Mover las imágenes del GPU a Python 3.11 (#49352) por @tarekziade en [#49352]
• Actualizar el procesamiento de imágenes/videos de molmo2 con kwargs (#49563) por @guarin en [#49563]
• Arreglar los límites de la imagen Flash Attention de Pixtral después del refactoración axial de RoPE (#49373) por @oliverholworthy en [#49373]

Kernels

Esta versión mejora el soporte del kernel en todo tipo de hardware. flash_attention_2 ahora se redirige al kernel AITER en ROCm cuando flash-attn no está instalado, y los modelos de estilo T5 obtienen una máscara de bias de posición SDPA contigua para que utilicen nuevamente kernels fusionados. El kernel rotativo del Hub ahora está limitado a la inferencia CUDA porque su paso hacia atrás dio gradientes incorrectos. Los kernels Atlas Inference Gated DeltaNet para Strix Halo…

• Retornar al núcleo AITER para flash_attention_2 en ROCm (#49608) por @Abdennacer-Badaoui en [#49608]
• Haga que la máscara posición_bias de SDPA sea contigua para que los modelos estilo T5 usen kernels fusionados (#49517) por @IvenHsu01 en [#49517].
• Usa el núcleo rotativo Hub para inferencia únicamente en CUDA (#49439) por @qgallouedec en [#49439]
• [Atlas Inference] Habilitar torch.compile para el kernel de hub Strix Halo Gated DeltaNet (#49453) por @AzeezIsh en [#49453]
• [Atlas Inference] Arreglar el kernel del hub de DeltaNet gated GB10 para transformadores 5.17+ y activar torch.compile (#49452) por @AzeezIsh en [#49452]

Caché

Esta versión corrige varios errores relacionados con el caché: static-cache generate() ahora maneja correctamente las entradas anidadas del lado del host y el paralelismo de tensores, la prefetch del caché descargado ya no compite con la copia de descarga, y las reconstrucciones del caché Phi3 LongRoPE en el límite del contexto ahora reciben todo el prefijo. También cuenta el token de consulta en la ventana deslizante de MiMo-V2-Flash y corrige la documentación del caché cuantizado (hqq/quanto).

• Arreglar la carrera de prefetch del caché descargado con la copia de descarga (#49363) por @qgallouedec en [#49363]
• docs: actualizar los ejemplos y la documentación del caché cuantizado hqq/quanto (#47212) por @DavidJohnQuinlan en [#47212]
• [MiMo-V2-Flash] Cuenta el token de consulta en la ventana deslizante (#49170) por @guapisolo en [#49170]
• Arreglar la reconstrucción del caché de Phi3 LongRoPE en el límite del contexto (#49361) por @LE0-Lin en [#49361]

Correcciones de errores y mejoras

• [docs] Plantilla de documentación de hardware (#49575) por @stevhliu en [#49575]
• Agregar archivos de cierre del contrato MIC para la integración de PR CI (#49631) por @ydshieh en [#49631]
• Usar la versión 3 de aiter-rope en ROCm (#49595) por @Abdennacer-Badaoui en [#49595]
• Eliminar los métodos faltantes de los documentos (#49637) por @guarin en [#49637]
• Traduce torch.mm(..., out_dtype=...) a ONNX (#49635) por @IlyasMoutawwakil en [#49635]
• [docs] Sección de hardware (#49541) por @michaelbenayoun en [#49541]
• Levanta cuando el fallback de la antorcha dejaría caer los límites de la secuencia empacada (#49474) por @qgallouedec en [#49474].
• Secuencia compactada Fa decodificada (#49610) por @SunMarc en [#49610]
• Corregir el nido de set_attn_implementation (#49138) por @eustlb en [#49138]
• feat: Añadir soporte MTP a Mellum2/2.1 (#49531) por @shadeMe en [#49531]
• Extender los pruebas de exportadores ONNX a dispositivos no Cuda (#49627) por @kaixuanliu en [#49627]
• Documento sobre los backend del procesador de vídeo (#49470) por @DimensionSTP en [#49470]
• Hacer que los embebidos de posición senoidal sean compilables (#49482) por @jiqing-feng en [#49482]
• Guarde el adaptador PEFT de un modelo fragmentado en tiempo de carga desde sus propios parámetros (#49500) por @qgallouedec en [#49500].
• Corrección: Se pasa el tipo de capa MTP a los embeddings rotativos por tipo de capa (#49468) por @shadeMe en [#49468].
• Añadir LFM2 al camino de carga GGUF (#49400) por @francip en [#49400]
• Añadir los ayudantes MtpModel para los frameworks que gestionan el ciclo de redacción (#49544) por @hmellor en [#49544]
• Construir documentación con la versión de Python desde .python-version (#49603) por @tarekziade en [#49603]
• Usa mlp_layer_types para AXK1, de modo que el diseño de la capa MoE respete moe_layer_freq (#49518) según @hmellor en [#49518].
• Combine los comentarios de CI de ejecución lenta de Nvidia+AMD en uno (#49598) por @ydshieh en [#49598]
• Corregir los pruebas de tiempo de espera del streamer defectuosos (#49583) por @tarekziade en [#49583]
• Corregir problemas en las pruebas relacionadas con TPU (#49568) por @tengomucho en [#49568]
• fix(distribuido): unir las filas de TPU al índice del dispositivo 0, no a LOCAL_RANK (#49543) por @tengomucho en [#49543]
• Usa transformers init en todas partes (#49573) por @guarin en [#49573]
• [docs] Paralelismo de contexto durante la evaluación (#48663) por @stevhliu en [#48663]
• Eliminar ejemplos (#49357) por @SunMarc en [#49357]
• Aceptar números de punto flotante enteros para argumentos de herramienta entera en parse_response (#49547) por @yonigozlan en [#49547]
• Actualizar el Dockerfile para la CPU Intel (#49408) por @jiqing-feng en [#49408]
• Añadir las docstringes automáticas del procesador de video ausente (#49569) por @guarin en [#49569]
• Añadir la sanitización de entrada de chat (#47386) por @Rocketknight1 en [#47386]
• Arreglar el error de crash de create_chunked_causal_mask() con block_sequence_ids (#49457) por @kaixuanliu en [#49457]
• Corregir la firma de SinglePositionMultiTokenCandidateGenerator (#49413) por @jiqing-feng en [#49413]
• Pruebas de integración de la actualización de Minicpm 4.7 (#49565) por @zucchini-nlp en [#49565]
• Deje de tratar el HunYuan's DynamicNTKAlpha RoPE como dinámico (#49445) por @jiqing-feng en [#49445]
• Corregir Gemma3nVision2TextModelTest::test_model_parallelism split (#49562) por @tarekziade en [#49562]
• Arreglar la UnboundLocalError en SuperPoint forward bajo torch.compile (#49409) por @kaixuanliu en [#49409]
• Se conservan las referencias remotas de backend resueltas en AutoVideoProcessor (#49511) por @DimensionSTP en [#49511]
• Corregir sugerencia de CI lenta en PR: instalar transformers en una venv (#49558) por @tarekziade en [#49558]
• Corregir sugerencia de CI lenta en el PR: instalar transformers, fallar por errores en el script (#49549) por @ArthurZucker en [#49549]
• Eliminar los ayudantes de datos obsoletos (#49360) por @SunMarc en [#49360]
• Arreglar test_all_params_have_gradient para los parámetros intencionalmente congelados (#49264) por @thillai-c en [#49264]
• Flex attn fix para el test molmo2 (#49530) por @molbap en [#49530]
• Corregir el error en la forma de la máscara de atención cruzada de Bridgetower (#49447) por @kaixuanliu en [#49447]
• Usa Siglip2Tokenizer cuando el tokenizer_class del Hub es GemmaTokenizer (#49245) por @jayzuccarelli en [#49245]
• Arreglar la validación mixta del prefijo BOS en WatermarkDetector (#49496) por @dangruiyuan en [#49496]
• Desaconsejar el uso de get_uniform_frame_indices (#49464) por @archiep867-sys en [#49464]
• [tests] Algunas correcciones para los fallos en el conjunto de pruebas en TPU (#49425) por @tengomucho en [#49425]
• Segunda fase de las limpiezas de torch 2.6 (#49396) por @Rocketknight1 en [#49396]
• Guarde los cheques para current_accelerator() y aumente la versión de Torch (#49395) por @Rocketknight1 en [#49395].
• Usa un emblema estático de Transformers CI en las descripciones de PR (#49471) por @tarekziade en [#49471].
• fix: tratar cada campo declarado de la clase de configuración como un ajuste por defecto #49456 (#49466) por @tarekziade en [#49466]
• Mantén la búsqueda de la clase AutoVideoProcessor perezosa (#49458) por @DimensionSTP en [#49458].
• Añadir Molmo2 (#43451) por @SangbumChoi en [#43451]
• Ci obtiene modelos multimodales de forma recursiva (#49389) por @zucchini-nlp en [#49389]
• Revisar todas las subconfiguraciones (#49461) por @zucchini-nlp en [#49461]
• Aria, Ernie4.5-VL-MoE, Gemma4, Inkling, MiniMax-M3-VL, Qwen3.5-MoE: ejecutar las pruebas del modelo en los probadores VLM/ALM (#49404) por @IlyasMoutawwakil en [#49404]
• Corregir el informe de Slack en CI: mostrar trabajos de modelos que se caen/mediante, en model_results.json (#49427) por @ydshieh en [#49427]
• [Qwen3VLMoe] Actualización del texto esperado en test_small_model_integration_test_expand (#49301) por @ydshieh en [#49301]
• Arreglar el atributo backend en la documentación y el backend por defecto en MistralCommonBackend (#49149) por @samyuktahegde en [#49149]
• Más simplificación de RoPE, correcciones en TF32 (#49328) por @Rocketknight1 en [#49328]
• Complejar el PR #49228: eliminar device=None no utilizado en init de rope en 11 familias de modelos (#49285) por @ydshieh en [#49285]
• Restablecer “[CI] Desactivar temporalmente el desencadenador programado de CI de AMD” (#49433) por @ydshieh en [#49433]
• Arreglar el flusso residual de QuantizedCache para las actualizaciones de múltiples tokens (#49418) por @LE0-Lin en [#49418]
• Corregir la rama dependiente de datos en _ignore_causal_mask_sdpa durante la compilación (#49354) por @dacorvo en [#49354]
• Arreglar Inkling moe_intermediate_size cuando exista dense_intermediate_size (#49416) por @Talhax55z en [#49416]
• Corregir el error en la carga no de tipo legado para DebertaV2ForMaskedLM (#49152) por @kaixuanliu en [#49152]
• Esta PR corrige el cargamento de fp16 en Gemma3n cuando los pesos faltantes deben estar en… (#49147) por @sywangyi en [#49147]
• PR CI: acciones de otorgamiento: leer hacia el flujo de trabajo reutilizable (#49417) por @tarekziade en [#49417]
• [Bugfix] [Modeling] Corregir la norma DSV4 (#47486) por @kylesayrs en [#47486]
• [docs] Actualizar Spaces (#49242) por @stevhliu en [#49242]
• Gestionar los caracteres precompilados vacíos en el convertidor SPM (#49211) por @itazap en [#49211]
• [CI] Desactiva temporalmente el desencadenador de CI programado de AMD (#49394) por @ydshieh en [#49394]
• [tests] Arreglar los tests inestables de CMVN en Speech2TextFeatureExtractionWithoutTorchaudioTest (#49374) por @ydshieh en [#49374]
• Haz que el despacho de tokens se ejecute con ep_size != tp_size (#49368) por @qgallouedec en [#49368]
• [tests] Saltar el test onnx.exactness para BitForImageClassification (ORT fp32 drift) (#49366) por @ydshieh en [#49366]

Contribuciones significativas de la comunidad

Los siguientes colaboradores han realizado cambios significativos en la biblioteca durante el último lanzamiento:

• @itazap
  • Añadir el modelo MOSS-Transcribe-Diarize (#48386)
  • Gestionar caracteres precompilados vacíos en el convertidor SPM (#49211)
  • 🚨🚨🚨 luke fixe (#48408)
• @ydshieh
  • Añadir archivos de cierre del contrato MIC para la integración de PR CI (#49631)
  • Combine los comentarios de CI de ejecución lenta de Nvidia+AMD en uno (#49598)
  • Corregir el informe de Slack en CI: mostrar trabajos de modelos que colapsaron/faltan en model_results.json (#49427)
  • [Qwen3VLMoe] Actualización del texto esperado en test_small_model_integration_test_expand (#49301)
  • Complejar el PR #49228: eliminar device=None no utilizado en init de rope en 11 familias de modelos (#49285)
  • Volver a “[CI] Desactivar temporalmente el desencadenador programado de CI de AMD” (#49433)
  • [CI] Desactiva temporalmente el desencadenador de CI programado de AMD (#49394)
  • [tests] Corregir los tests erráticos de CMVN en Speech2TextFeatureExtractionWithoutTorchaudioTest (#49374)
  • [Docker] Actualizar a torch 2.14/CUDA 13.0 y optimizar la compilación de FA2 desde el código fuente (#49381)
  • [tests] Saltar el test onnx.exactness para BitForImageClassification (ORT fp32 drift) (#49366)
• @icavan
  • Corregir la carrera de asignación de puertos en los tests FSDP (#49455)
  • [Modelo] Añadir soporte nativo para Ling 3.0 Flash (#49446)
• @tarekziade
  • Construir documentación con la versión de Python desde .python-version (#49603)
  • Corregir los tests de tiempo de espera del streamer defectuosos (#49583)
  • CI: Mover las imágenes del GPU a Python 3.11 (#49352)
  • Corregir Gemma3nVision2TextModelTest::test_model_parallelism split (#49562)
  • Corregir sugerencia de CI lenta en el PR: instalar transformers en una venv (#49558)
  • Usa un emblema estático de Transformers CI en las descripciones de PR (#49471)
  • fix: tratar cada campo declarado de la clase de configuración como un ajuste por defecto #49456 (#49466)
  • PR CI: acciones de otorgamiento: leer hacia el flujo de trabajo reutilizable (#49417)
• @lucamotz
  • Agregar Kolibri 1 (#49463)
• @SangbumChoi
  • Añadir Molmo2 (#43451)
• @maxiaolong03
  • [Modelo] Añadir soporte para el modelo PP-DocLayoutV4 (#48387)