标签： Transformer

这个报错通常出现在你对 Diffusers 的 Flux 等模型使用 torch.compile ，同时又启用了 Flash/Sage 的 varlen（变长）注意力后端时。优先排查是否用了 varlen API，以及能否切换到 static-length（定长）API 或使用定长序列推理。

这个报错通常出现在导入 Transformers 时，当前安装的 huggingface_hub 版本与 transformers 版本不匹配，导致 transformers 尝试从 huggingface_hub 导入 is_offline_mode 失败。优先排查两个包的版本组合，而不是先改代码

当输入音频波形里出现哪怕一个非有限值（NaN/Inf），部分音频特征提取器会因对整个波形统计量做归一化，把全矩阵变成 NaN，而 ASR pipeline 仍会静默输出形如 '0' 的转写结果，不报错也不警告。优先排查数据管线里是否混入了损坏样本，并确认所用 checkpoint 的特征提取配置是否

这个报错通常出现在用 VibeVoice-ASR 转写较长音频（24 kHz 采样下超过约 11.65 分钟、即样本数超过 2**24）时，processor 与 model 对音频占位 token 数量的浮点计算精度不一致，导致 mask 与特征张量形状对不上；优先排查输入音频长度是否是 hop（

当你在 Transformers 中同时加载 CLIPTokenizer 与 CLIPTokenizerFast （模型 openai/clip-vit-base-patch32 ）并对比同一段文本的 token 时，二者输出不一致，通常表现为 fast 版本多出 Ġ 或把 1 这类单字符数字拆得与

这个报错通常发生在手动创建 StaticCache / EncoderDecoderCache 并在 generate() 外部复用、但 cache 的 batch size 或 encoder 序列长度与当前输入不一致的场景。优先排查是否把 cache 初始化成了“精确尺寸”，而不是“大于等于实际

这个报错通常出现在用 TorchAoConfig 包裹 FqnToConfig 并对 Diffusers 模型（例如 Flux2Transformer2DModel）做量化加载时。根本原因是 Diffusers 在调用 torchao 的 quantize_ 时同时传入了自定义 filter_fn