ValueError: The number of images in the text [2] and images [1] should be the same.

问题场景

用户在使用 transformers 的 AutoProcessor 加载视觉语言模型（例如 LiquidAI/LFM2.5-VL-1.6B），并通过 apply_chat_template() 处理包含图像的多模态消息时触发问题。具体地，用户在对话的文本内容中手动写入了图像占位符（如 <image>），随后调用 apply_chat_template(messages, tokenize=True) 进行分词，即会抛出异常。未开启 tokenize=True 时仅返回字符串，不会触发该错误。

评论中扩展的复现脚本显示，该问题在多个流行 VL 模型上可复现，包括 LFM2.5-VL、Qwen3-VL、Qwen3.5、SmolVLM2、Gemma-4、InternVL3 / InternVL3.5 等，其共性是在用户文本里含模型对应的图像占位符。

报错原文

ValueError: The number of images in the text [2] and images [1] should be the same.

原因分析

根据 Issue 中的分析，根因是“结构化消息 → apply_chat_template() → 字符串 → __call__() → tokens”这一管线存在有损（lossy）的往返转换。处理器的图像占位符计数是基于字符串匹配完成的：在 processing_lfm2_vl.py 中，处理器会在字符串上做计数（L103）和字符串切分（L154）。因此，当用户在文本中手动输入了与真实图像占位符相同的字符串（如 <image>）时，处理器无法区分「用户书写的文本」与「真实的图像内容占位符」，导致统计到 2 个占位符而实际图像只有 1 个，从而抛出该 ValueError。

评论中还指出，这是一个影响多个主流 VL 模型的普遍缺陷，而非 LFM2 专属问题。提出的修复方向包括：在用户消息内容上以 split_special_tokens=True 分词、在 chat template 其余部分以 split_special_tokens=False 分词；或从根本上改为结构化记录图像位置，而非依赖字符串匹配。

环境排查

• 确认 transformers 版本（Issue 中为 5.13.0，评论确认在该版本可确定性复现）。
• 确认 Python 版本（Issue 中为 3.14.3）。
• 确认是否安装了 torchvision（复现脚本要求 torchvision>=0.28.0）。
• 确认是否安装了 PyTorch / CUDA / 显卡加速环境；Issue 中为未安装 PyTorch、CPU only、无分布式并行。
• 确认所使用的模型与其图像占位符形式，例如 LFM2.5-VL 为 <image>，Qwen3-VL 为 <|vision_start|><|image_pad|><|vision_end|>，Gemma-4 为 <|image|>，InternVL3 为 <img><IMG_CONTEXT></img>。
• 确认调用 apply_chat_template() 时是否使用了 tokenize=True；不带该参数时不会触发此错误。

解决步骤

1. 先复现并确认错误是否由用户文本中包含图像占位符引起：检查 messages 中 {"type": "text", "text": "..."} 的文本内容，是否出现了模型对应的图像占位符字符串。
2. 如果只是想要表达“如何转换/如何书写该标签”这类语义，尝试修改用户文本，不要直接写入模型真正的图像占位符；可先校验修改后 apply_chat_template(messages, tokenize=True) 是否不再抛错。
3. 若你使用的是 LFM2 / LFM2.5-VL，并希望从模型侧解决，可优先尝试评论中提到的窄修复方向：将模型图像占位符由 <image> 替换为不会与用户文本碰撞的 sentinel（该方案在 Issue 中尚属提议，未被确认合并）。
4. 若需要从根本上解决，需等待上游结构性修复，使 apply_chat_template() 的输出能够将用户文本中的占位符与真实多模态内容区分开；评论中明确指出该修复无法仅靠现有函数签名（返回 str | list[int] | ...）完成，需要额外的元数据或签名变更。
5. 在问题修复前，对于受影响的 VL 模型，尽量避免在用户消息文本中书写其图像占位符；这是目前最直接的规避方式，而非官方修复。

验证方法

在修改用户文本或走窄修复方向后，重新运行原始复现脚本，确认 processor.apply_chat_template(messages, tokenize=True) 不再抛出 ValueError: The number of images in the text [2] and images [1] should be the same.，而是正常返回 token 化结果（预期行为为无异常且 tokenization 正确）。

参考来源

huggingface/transformers #47217

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。