参数

• conversation (Union[List[Dict[str, str]], List[List[Dict[str, str]]]]) — 一个字典列表，包含 “role” 和 “content” 键，表示当前的聊天历史记录。
• tools (List[Union[Dict, Callable]], 可选) — 一个工具（可调用函数）列表，模型可以访问这些工具。如果模板不支持函数调用，此参数将不起作用。每个工具应以 JSON Schema 的形式传入，提供工具的名称、描述和参数类型。有关更多信息，请参阅我们的 聊天模板指南 。
• add_generation_prompt (bool, 可选) — 此参数对 MistralCommonBackend 无效。但为了保持 API 的一致性，它不能与 continue_final_message 同时使用。 如果任何对话以助手消息结尾，则会引发错误。在这种情况下，请改用 continue_final_message。
• continue_final_message (bool, 可选) — 如果设置此项，聊天将被格式化，使得聊天中的最后一条消息是开放式的，不包含任何 EOS token。模型将继续该消息，而不是开始一条新消息。这允许你“预填充”模型响应的一部分。不能与 add_generation_prompt 同时使用。
• tokenize (bool，默认为 True) — 是否对输出进行分词。如果为 False，输出将是一个字符串。
• padding (bool, str 或 PaddingStrategy, 可选, 默认为 False) — 选择一种策略，根据模型的填充侧和填充索引对返回的序列进行填充，可选策略如下：
  • True 或 'longest'：填充至批次中最长的序列（如果仅提供单个序列，则不进行填充）。
  • 'max_length'：填充至由参数 max_length 指定的最大长度；若未提供该参数，则填充至模型可接受的最大输入长度。
  • False 或 'do_not_pad'（默认值）：不进行填充（即可以输出包含不同长度序列的批次）。
• truncation（bool，默认为 False）— 是否将序列截断至最大长度。如果 tokenize 为 False，则此参数无效。
• max_length (int, 可选) — 用于填充或截断的最大长度（以 token 计）。如果 tokenize 为 False，则此参数无效。如果未指定，将使用分词器的 max_length 属性作为默认值。
• return_tensors (str 或 TensorType, 可选) — 如果设置，将返回特定框架的张量。如果 tokenize 为 False. 可接受的值为：
  • 'pt'：返回 PyTorch torch.Tensor 对象。
• return_dict (bool，默认为 False) — 是否返回包含命名输出的字典。如果 tokenize 为 False，则此参数无效。 如果至少一个对话包含图像，其像素值将返回在 pixel_values 键中，图像尺寸将返回在 image_sizes 键中。
• reasoning_effort (ReasoningEffort, 可选) — 对于支持推理的模型，用于聊天补全的推理力度。可能的值如下：
  • ReasoningEffort.none：模型不会进行推理。
  • ReasoningEffort.high：模型将采用推理方式。 如果未指定，则使用默认的推理强度。
• kwargs（额外的关键字参数，可选）— 传递给 mistral-common 的 ChatCompletionRequest.from_openai 方法的额外参数。

参数

• sequences (Union[list[int], list[list[int]], np.ndarray, torch.Tensor]) — 分词后的输入 ID 列表。可通过 __call__ 方法获取。
• skip_special_tokens（bool，可选，默认为 False）— 是否在解码过程中移除特殊标记。
• clean_up_tokenization_spaces (bool, 可选) — 是否清理分词空格。如果为 None，则默认为 self.clean_up_tokenization_spaces。
• kwargs（额外的关键字参数，可选） — MistralCommonBackend.batch_decode 不支持此参数。 如果使用该参数，将引发错误。

参数

• token_ids_0 (list[int]) — 将添加特殊标记的 ID 列表。
• token_ids_1 (None，可选) — 值为 None，保留以匹配 Transformers 的函数签名。

参数

• token_ids_0 (list[int]) — ID 列表。
• token_ids_1 (None，可选) — 值为 None，保留以匹配 Transformers 的函数签名。

参数

• token_ids (Union[int, list[int], list[list[int]], np.ndarray, torch.Tensor]) — 单个序列或一批（序列列表）的标记化输入 ID。可通过 __call__ 方法获取。
• skip_special_tokens（bool，可选，默认为 False）— 是否在解码过程中移除特殊标记。
• clean_up_tokenization_spaces (bool, 可选) — 是否清理分词空格。如果为 None，则默认为 self.clean_up_tokenization_spaces。
• kwargs（额外的关键字参数，可选） — MistralCommonBackend.decode 不支持此参数。 如果使用该参数，将引发错误。

参数

• text (str 或 list[int]) — 要编码的第一个序列。它可以是一个字符串，或一个整数列表（即分词后的字符串 ID）。
• text_pair (None，可选) — MistralCommonBackend.encode 不支持此参数。保留该参数以匹配 PreTrainedTokenizerBase.encode 的签名。
• add_special_tokens (bool，可选，默认为 True) — 在编码序列时是否添加特殊标记。此操作将使用底层的 PretrainedTokenizerBase.build_inputs_with_special_tokens 函数，该函数定义了哪些标记会自动添加到输入 ID 中。如果您希望自动添加 bos 或 eos 标记，此功能非常有用。当 Tokenizer 以 finetuning 模式加载时，它会同时添加 bos 和 eos。否则，在“test”模式下，它仅添加 bos。
• padding (bool, str 或 PaddingStrategy, ，可选, ，默认为 False) — 启用并控制填充。接受以下值：
  • True 或 'longest'：填充至批次中最长的序列（如果仅提供单个序列，则不进行填充）。
  • 'max_length'：填充至由参数 max_length 指定的最大长度；若未提供该参数，则填充至模型可接受的最大输入长度。
  • False 或 'do_not_pad'（默认值）：不进行填充（即可以输出包含不同长度序列的批次）。
• truncation (bool, str 或 TruncationStrategy, 可选, 默认值为 False) — 启用并控制截断。接受以下值：
  • True 或 'longest_first'：截断至由参数 max_length 指定的最大长度，或者在未提供该参数时，截断至模型可接受的最大输入长度。
  • False 或 'do_not_truncate'（默认值）：不进行截断（即，可以输出序列长度大于模型最大可接受输入大小的批次）。
• max_length (int, 可选) — 控制截断/填充参数之一所使用的最大长度。如果未设置或设置为 None，则当截断/填充参数需要最大长度时，将使用预定义的最大模型长度。如果模型没有特定的最大输入长度（如 XLNet），则禁用截断/填充到最大长度的功能。

  如果未设置或设置为 None，当截断/填充参数需要最大长度时，将使用预定义的最大模型长度。如果模型没有特定的最大输入长度（例如 XLNet），则禁用截断/填充至最大长度的功能。

• stride (int，可选，默认为 0) — 如果与 max_length 一起设置为某个数值，则当 return_overflowing_tokens=True 时，返回的溢出 token 将包含截断序列末尾的若干 token，以在截断序列和溢出序列之间提供一定的重叠。此参数的值定义了重叠 token 的数量。
• pad_to_multiple_of (int, 可选) — 如果设置，则将序列填充为所提供值的倍数。需要启用 padding。 这对于在计算能力为 >= 7.5（Volta）的 NVIDIA 硬件上启用 Tensor Cores 的使用特别有用。
• padding_side (str, 可选) — 模型应应用填充的一侧。应在 [‘right’, ‘left’] 之间进行选择。 默认值取自同名的类属性。
• return_tensors (str 或 TensorType, 可选) — 如果设置，将返回张量而不是 Python 整数列表。可接受的值为：
  • 'pt'：返回 PyTorch torch.Tensor 对象。
• **kwargs — MistralCommonBackend.encode 不支持。 如果使用了该参数，将引发错误。

参数

• pretrained_model_name_or_path (str 或 os.PathLike) — 可以是以下之一：
  • 一个字符串，即托管在 huggingface.co 上某个模型仓库中的预定义分词器的 model id。
  • 指向包含分词器配置的目录的路径，例如使用MistralCommonBackend.tokenization_mistral_common.save_pretrained方法保存的路径，如./my_model_directory/。
• mode (Union[str, ValidationMode], 可选, 默认为 ValidationMode.test) — 的验证模式。可能的值包括： MistralTokenizer "finetuning" 或 ValidationMode.finetuning：微调模式。"test" 或 ValidationMode.test：测试模式。它会改变 tokenizer 验证输入并准备模型请求的方式。
  • "finetuning" 或 ValidationMode.finetuning：微调模式。
  • "test" 或 ValidationMode.test：测试模式。 它会改变分词器验证输入并准备模型请求的方式。
• cache_dir (str 或 os.PathLike，可选) — 如果不应使用标准缓存，则下载的预定义分词器词汇文件应缓存到的目录路径。
• force_download (bool，可选，默认为 False) — 是否强制（重新）下载词汇表文件，并在缓存版本已存在时覆盖它们。
• token（str 或 bool，可选）— 用于远程文件的 HTTP 承载者授权令牌。如果为 True，则使用运行 hf auth login 时生成的令牌（存储在 ~/.huggingface 中）。
• local_files_only（bool，可选，默认为 False）— 是否仅依赖本地文件，而不尝试下载任何文件。
• revision (str，可选，默认为 "main") — 要使用的特定模型版本。由于我们在 huggingface.co 上使用基于 git 的系统来存储模型和其他工件，因此它可以是分支名称、标签名称或提交 id，revision 可以是 git 允许的任何标识符。
• max_length (int, 可选) — 控制截断/填充参数之一所使用的最大长度。如果未设置或设置为 None，则当截断/填充参数需要最大长度时，将使用预定义的最大模型长度。如果模型没有特定的最大输入长度（如 XLNet），则禁用截断/填充到最大长度的功能。

  如果未设置或设置为 None，当截断/填充参数需要最大长度时，将使用预定义的最大模型长度。如果模型没有特定的最大输入长度（例如 XLNet），则禁用截断/填充至最大长度的功能。

• padding_side (str，可选，默认为 "left") — 模型应应用填充的一侧。应在 [‘right’, ‘left’] 之间进行选择。 默认值取自同名的类属性。
• truncation_side (str，可选，默认为 "right") — 模型应应用截断的一侧。应在 [‘right’, ‘left’] 中进行选择。
• model_input_names (List[str]，可选) — 模型前向传播接受的输入列表（例如 "token_type_ids" 或 "attention_mask"）。默认值取自同名的类属性。
• clean_up_tokenization_spaces (bool，可选，默认为 False) — 模型是否应清理在分词过程中对输入文本进行切分时添加的空格。
• kwargs（额外的关键字参数，可选） — MistralCommonBackend.from_pretrained 不支持此参数。 如果使用该参数，将引发错误。

参数

• token_ids_0 (list[int]) — 序列的 id 列表。
• token_ids_1（None，可选）— 为 None，保留以与 Transformers 的实现保持一致。
• already_has_special_tokens (bool，可选，默认为 False) — 指示 token 列表是否已针对该模型格式化为包含特殊 token 的形式。

参数

• pair (Literal[False], 可选) — 固定为 False，以匹配 Transformer 的签名。

参数

• ids (list[int]) — 第一个序列的标记化输入 ID。
• pair_ids (None，可选) — MistralCommonBackend 不支持。保留此参数以匹配 PreTrainedTokenizerBase 的接口。
• add_special_tokens (bool，可选，默认为 True) — 在编码序列时是否添加特殊标记。此操作将使用底层的 PretrainedTokenizerBase.build_inputs_with_special_tokens 函数，该函数定义了哪些标记会自动添加到输入 ID 中。如果您希望自动添加 bos 或 eos 标记，此功能非常有用。当 Tokenizer 以 finetuning 模式加载时，它会同时添加 bos 和 eos。否则，在“test”模式下，它仅添加 bos。
• padding (bool, str 或 PaddingStrategy, ，可选, ，默认为 False) — 启用并控制填充。接受以下值：
  • True 或 'longest'：填充至批次中最长的序列（如果仅提供单个序列，则不进行填充）。
  • 'max_length'：填充至由参数 max_length 指定的最大长度；若未提供该参数，则填充至模型可接受的最大输入长度。
  • False 或 'do_not_pad'（默认值）：不进行填充（即可以输出包含不同长度序列的批次）。
• truncation (bool, str 或 TruncationStrategy, 可选, 默认值为 False) — 启用并控制截断。接受以下值：
  • True 或 'longest_first'：截断至由参数 max_length 指定的最大长度，或者在未提供该参数时，截断至模型可接受的最大输入长度。
  • False 或 'do_not_truncate'（默认值）：不进行截断（即，可以输出序列长度大于模型最大可接受输入大小的批次）。
• max_length (int, 可选) — 控制截断/填充参数之一所使用的最大长度。如果未设置或设置为 None，则当截断/填充参数需要最大长度时，将使用预定义的最大模型长度。如果模型没有特定的最大输入长度（如 XLNet），则禁用截断/填充到最大长度的功能。

  如果未设置或设置为 None，当截断/填充参数需要最大长度时，将使用预定义的最大模型长度。如果模型没有特定的最大输入长度（例如 XLNet），则禁用截断/填充至最大长度的功能。

• stride (int，可选，默认为 0) — 如果与 max_length 一起设置为某个数值，则当 return_overflowing_tokens=True 时，返回的溢出 token 将包含截断序列末尾的若干 token，以在截断序列和溢出序列之间提供一定的重叠。此参数的值定义了重叠 token 的数量。
• pad_to_multiple_of (int, 可选) — 如果设置，则将序列填充为所提供值的倍数。需要启用 padding。 这对于在计算能力为 >= 7.5（Volta）的 NVIDIA 硬件上启用 Tensor Cores 的使用特别有用。
• padding_side (str, 可选) — 模型应应用填充的一侧。应在 [‘right’, ‘left’] 之间进行选择。 默认值取自同名的类属性。
• return_tensors (str 或 TensorType, 可选) — 如果设置，将返回张量而不是 Python 整数列表。可接受的值为：
  • 'pt'：返回 PyTorch torch.Tensor 对象。
• return_token_type_ids (bool, 可选) — 是否返回 token type ID。对于 MistralCommonBackend ，它返回一个与序列长度相同的零列表，因为仅支持单个序列。

  什么是 token type ID？

• return_attention_mask (bool, 可选) — 是否返回注意力掩码。如果保持默认值，将根据特定分词器的默认设置返回注意力掩码，该设置由 return_outputs 属性定义。

  什么是注意力掩码？

• return_overflowing_tokens (bool，可选，默认为 False) — 是否返回溢出的 token 序列。如果提供了输入 id 的序列对（或序列对批次），且 truncation_strategy = longest_first 或 True，则会抛出错误，而不是返回溢出的 token。
• return_special_tokens_mask (bool，可选，默认为 False) — 是否返回特殊 token 掩码信息。
• return_length (bool，可选，默认为 False) — 是否返回编码后输入的长度。
• verbose (bool，可选，默认为 True) — 是否打印更多信息和警告。
• return_offsets_mapping (Literal[False]，可选) — 固定为 False，以与 Transformers 的签名保持一致。
• split_special_tokens (Literal[False]，可选) — 固定为 False，以匹配 Transformers 的函数签名。
• **kwargs — 传递给 self.tokenize() 方法

参数

• save_directory (str | os.PathLike | Path) — 保存 tokenizer 的目录。
• push_to_hub (bool，可选，默认为 False) — 保存后推送到 HF Hub。
• token（str 或 bool，可选）— 用于 Hub 身份验证的令牌。
• commit_message (str, 可选) — 推送时的提交信息。
• repo_id (str, 可选) — Hub 仓库 ID。
• private (bool，可选) — 仓库是否为私有。
• save_format (str, 可选) — "mistral" 用于保存原生 tekken 格式，"hf" 用于 HuggingFace 格式。 None 保留原始格式。
• kwargs (dict，可选) — 不支持 — 将引发错误。

参数

• text (str) — 要编码的序列。
• return_offsets_mapping (Literal[False]，可选) — 固定为 False，以与 Transformers 的签名保持一致。
• split_special_tokens (Literal[False]，可选) — 固定为 False，以匹配 Transformers 的函数签名。
• **kwargs（额外的关键字参数） — MistralCommonBackend.tokenize 不支持此参数。 如果使用该参数，将引发错误。

参数

• ids (list[int]) — 分词后的输入 ID。可以通过依次调用 tokenize 和 convert_tokens_to_ids 方法从字符串中获取。
• pair_ids (None，可选) — MistralCommonBackend 不支持。保留此参数以匹配 PreTrainedTokenizerBase.truncate_sequences 的签名。
• num_tokens_to_remove (int，可选，默认为 0) — 使用截断策略要移除的 token 数量。
• truncation_strategy (str 或 TruncationStrategy, 可选, 默认为 'longest_first') — 截断策略。可以是：
  • 'longest_first'：截断至参数 max_length 指定的最大长度，或者如果未提供该参数，则截断至模型可接受的最大输入长度。
  • 'do_not_truncate'（默认值）：不进行截断（即，可以输出序列长度超过模型最大允许输入大小的批次）。
• stride (int，可选，默认为 0) — 如果设置为正数，返回的溢出 token 将包含主序列中的一些 token。该参数的值定义了额外 token 的数量。

参数

• input_ids (torch.LongTensor 形状为 (batch_size, sequence_length), ，可选) — 输入序列中各 token 在词汇表中的索引。默认情况下，填充（padding）将被忽略。

  可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 ID？

• pixel_values (torch.Tensor，形状为 (batch_size, num_channels, image_size, image_size)，可选) — 与输入图像对应的张量。可以使用 PixtralImageProcessor 获取像素值。有关详细信息，请参阅 PixtralImageProcessor.call()（PixtralProcessor 使用 PixtralImageProcessor 来处理图像）。
• attention_mask (torch.Tensor 形状为 (batch_size, sequence_length), ，可选) — 用于避免对填充 token 索引执行注意力机制的掩码。掩码值取自 [0, 1]:
  • 1 表示未被屏蔽的 token，
  • 对于被掩码的 token，值为 0。

  什么是注意力掩码？

• position_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 输入序列中每个 token 在位置嵌入中的位置索引。取值范围为 [0, config.n_positions - 1].

  什么是位置 ID？

• past_key_values (~cache_utils.Cache, 可选) — 预计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常由 past_key_values 在解码的先前阶段返回，当 use_cache=True 或 config.use_cache=True.

  仅允许将 Cache 实例作为输入，请参阅我们的 kv cache 指南。 如果未传入 past_key_values，则默认会初始化 DynamicCache。

  模型将输出与输入相同的缓存格式。

  如果使用了 past_key_values，用户应仅输入未处理的 input_ids（即未向该模型提供其过去键值状态的那些），其形状为 (batch_size, unprocessed_length)，而不是形状为 (batch_size, sequence_length) 的全部 input_ids。

• inputs_embeds（形状为 (batch_size, sequence_length, hidden_size) 的 torch.Tensor，可选） — 可选地，您可以选择直接传入嵌入表示，而不是传入 input_ids。如果您希望对 input_ids 索引如何转换为相应向量拥有比模型内部嵌入查找矩阵更多的控制权，这将非常有用。
• vision_feature_layer (Union[int, list[int]], 可选) — 用于选择视觉特征的层索引。如果提供了多个索引，则会将对应索引的视觉特征拼接起来，以形成视觉特征。
• use_cache (bool，可选) — 如果设置为 True，则会返回 past_key_values 键值状态，可用于加速解码（参见 past_key_values）。
• image_sizes（形状为 (batch_size, 2) 的 torch.Tensor，可选） — 批次中各图像的尺寸，每张图像表示为 (height, width)。
• mm_encoder_outputs (dict[str, ~modeling_outputs.BaseModelOutputWithPooling], 可选) — 一个字典，其中键为支持的模态，值为该模态的编码输出。每个编码输出是一个元组，由 (pooler_output、可选：last_hidden_states、可选：hidden_states、可选：attentions) pooler_output，形状为 (batch_size, sequence_length, hidden_size)，可选) 组成，它是编码器融合到文本嵌入中的多模态特征序列。

参数

• pixel_values（形状为 (batch_size, num_channels, image_size, image_size) 的 torch.Tensor）— 与输入图像对应的张量。可以使用 PixtralImageProcessor 获取像素值。有关详细信息，请参阅 PixtralImageProcessor.call()（PixtralProcessor 使用 PixtralImageProcessor 处理图像）。
• image_sizes (torch.Tensor，形状为 (batch_size, 2)) — 批次中各图像的尺寸，每张图像对应 (height, width)。
• vision_feature_layer (Union[int, list[int]], 可选) — 用于选择视觉特征的层索引。如果提供了多个索引，则会将对应索引的视觉特征拼接起来，以形成视觉特征。

参数

• input_ids (torch.LongTensor 形状为 (batch_size, sequence_length), ，可选) — 输入序列中各 token 在词汇表中的索引。默认情况下，填充（padding）将被忽略。

  可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 ID？

• pixel_values (torch.Tensor，形状为 (batch_size, num_channels, image_size, image_size)，可选) — 与输入图像对应的张量。可以使用 PixtralImageProcessor 获取像素值。有关详细信息，请参阅 PixtralImageProcessor.call()（PixtralProcessor 使用 PixtralImageProcessor 来处理图像）。
• attention_mask (torch.Tensor 形状为 (batch_size, sequence_length), ，可选) — 用于避免对填充 token 索引执行注意力机制的掩码。掩码值取自 [0, 1]:
  • 1 表示未被屏蔽的 token，
  • 对于被掩码的 token，值为 0。

  什么是注意力掩码？

• position_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 输入序列中每个 token 在位置嵌入中的位置索引。取值范围为 [0, config.n_positions - 1].

  什么是位置 ID？

• past_key_values (~cache_utils.Cache, 可选) — 预计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常由 past_key_values 在解码的先前阶段返回，当 use_cache=True 或 config.use_cache=True.

  仅允许将 Cache 实例作为输入，请参阅我们的 kv cache 指南。 如果未传入 past_key_values，则默认会初始化 DynamicCache。

  模型将输出与输入相同的缓存格式。

  如果使用了 past_key_values，用户应仅输入未处理的 input_ids（即未向该模型提供其过去键值状态的那些），其形状为 (batch_size, unprocessed_length)，而不是形状为 (batch_size, sequence_length) 的全部 input_ids。

• inputs_embeds（形状为 (batch_size, sequence_length, hidden_size) 的 torch.Tensor，可选） — 可选地，您可以选择直接传入嵌入表示，而不是传入 input_ids。如果您希望对 input_ids 索引如何转换为相应向量拥有比模型内部嵌入查找矩阵更多的控制权，这将非常有用。
• labels (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 用于计算掩码语言建模损失的标签。索引值应在 [0, ..., config.vocab_size] 范围内，或为 -100（参见 input_ids 的文档字符串）。索引值设为 -100 的 token 将被忽略（即被掩码），损失仅针对标签位于 [0, ..., config.vocab_size] 范围内的 token 进行计算。
• use_cache (bool，可选) — 如果设置为 True，则会返回 past_key_values 键值状态，可用于加速解码（参见 past_key_values）。
• logits_to_keep (Union[int, torch.Tensor], 可选，默认为 0) — 如果为 int，则计算最后 logits_to_keep 个 token 的 logits。如果为 0，则计算所有 input_ids 的 logits（特殊情况）。生成过程只需要最后一个 token 的 logits，仅针对该 token 进行计算可以节省内存，对于长序列或大词汇量而言，这种节省相当显著。 如果为 torch.Tensor，则必须是一维张量，对应于序列长度维度中需要保留的索引。 这在使用打包张量格式（将批次和序列长度合并为单一维度）时非常有用。
• image_sizes（形状为 (batch_size, 2) 的 torch.Tensor，可选） — 批次中各图像的尺寸，每张图像表示为 (height, width)。
• mm_encoder_outputs (dict[str, ~modeling_outputs.BaseModelOutputWithPooling], 可选) — 一个字典，其中键为支持的模态，值为该模态的编码输出。每个编码输出是一个元组，由 (pooler_output、可选：last_hidden_states、可选：hidden_states、可选：attentions) pooler_output，形状为 (batch_size, sequence_length, hidden_size)，可选) 组成，它是编码器融合到文本嵌入中的多模态特征序列。

参数

• pixel_values（形状为 (batch_size, num_channels, image_size, image_size) 的 torch.Tensor）— 与输入图像对应的张量。可以使用 PixtralImageProcessor 获取像素值。有关详细信息，请参阅 PixtralImageProcessor.call()（PixtralProcessor 使用 PixtralImageProcessor 处理图像）。
• image_sizes (torch.Tensor，形状为 (batch_size, 2)) — 批次中各图像的尺寸，每张图像对应 (height, width)。
• vision_feature_layer (Union[int, list[int]], 可选) — 用于选择视觉特征的层索引。如果提供了多个索引，则会将对应索引的视觉特征拼接起来，以形成视觉特征。