# Mamba

[Mamba](https://huggingface.co/papers/2312.00752)는 긴 시퀀스를 처리할 때 Transformers의 계산 비효율성을 극복하기 위해 설계된 선택적 구조화 상태 공간 모델(SSMs)입니다. 이는 완전히 어텐션이 없는 아키텍처이며, H3와 게이트드 MLP 블록(Mamba 블록)의 조합으로 구성됩니다. Mamba의 "콘텐츠 기반 추론"은 현재 토큰에 따라 입력의 특정 부분에 집중할 수 있게 합니다. Mamba는 또한 컨볼루션 연산의 부재를 보완하기 위해 새로운 하드웨어 인식 병렬 알고리즘을 사용합니다. 그 결과, Mamba는 빠른 추론을 수행할 수 있으며 매우 긴 시퀀스까지 확장할 수 있습니다.

모든 원본 Mamba 체크포인트는 [State Space Models](https://huggingface.co/state-spaces) 조직에서 찾을 수 있습니다.

> [!TIP]
> 이 모델은 [Molbap](https://huggingface.co/Molbap)와 [AntonV](https://huggingface.co/AntonV)가 기여했습니다. Mamba를 다양한 언어 작업에 적용하는 방법에 대한 추가 예제는 오른쪽 사이드바의 Mamba 모델들을 클릭하여 확인하세요.

아래 예제는 [Pipeline](/docs/transformers/v5.23.0/ko/main_classes/pipelines#transformers.Pipeline), [AutoModel](/docs/transformers/v5.23.0/ko/model_doc/auto#transformers.AutoModel), 그리고 명령줄을 사용하여 텍스트를 생성하는 방법을 보여줍니다.

```python
from transformers import pipeline

pipeline = pipeline(
    task="text-generation",
    model="state-spaces/mamba-130m-hf",
    device=0
)
pipeline("Plants create energy through a process known as")
```

```python
from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("state-spaces/mamba-130m-hf")
model = AutoModelForCausalLM.from_pretrained("state-spaces/mamba-130m-hf", device_map="auto")
input_ids = tokenizer("Plants create energy through a process known as", return_tensors="pt").to(model.device)

output = model.generate(**input_ids)
print(tokenizer.decode(output[0], skip_special_tokens=True))
```

Quantization은 가중치를 더 낮은 정밀도로 표현하여 대규모 모델의 메모리 부담을 줄입니다. 사용 가능한 다른 양자화 백엔드에 대해서는 [Quantization](../quantization/overview) 개요를 참조하세요.

아래 예제는 [torchao](../quantization/torchao)를 사용하여 가중치만 4비트 정수로 양자화합니다.

```python
from torchao.quantization import Int4WeightOnlyConfig

from transformers import AutoModelForCausalLM, AutoTokenizer, TorchAoConfig

quantization_config = Int4WeightOnlyConfig(group_size=128)
quantization_config = TorchAoConfig(quant_type=quant_config)
tokenizer = AutoTokenizer.from_pretrained("state-spaces/mamba-2.8b-hf")
model = AutoModelForCausalLM.from_pretrained("state-spaces/mamba-2.8b-hf", quantization_config=quantization_config, device_map="auto")
input_ids = tokenizer("Plants create energy through a process known as", return_tensors="pt").to(model.device)

output = model.generate(**input_ids)
print(tokenizer.decode(output[0], skip_special_tokens=True))
```

## The input is a single word "Notes".

참고

- 현재 구현은 원래의 CUDA 커널을 사용합니다. FlashAttention에 해당하는 구현은 [mamba-ssm](https://github.com/state-spaces/mamba) 및 [causal_conv1d](https://github.com/Dao-AILab/causal-conv1d) 저장소에 호스팅되어 있습니다. 하드웨어가 이를 지원하는 경우 설치하도록 하세요!
- Mamba 스택은 `Attention` 레이어와 동등한 `mixer` 레이어를 쌓아 올립니다. Mamba의 핵심 로직은 `MambaMixer` 클래스에서 확인할 수 있습니다.
- 아래 예제는 [PEFT](https://huggingface.co/docs/peft)를 사용하여 Mamba를 파인튜닝하는 방법을 보여줍니다.

  ```py
  from datasets import load_dataset
  from trl import SFTConfig, SFTTrainer
  from peft import LoraConfig

  model_id = "state-spaces/mamba-130m-hf"
  dataset = load_dataset("Abirate/english_quotes", split="train")
  training_args = SFTConfig(dataset_text_field="quote")
  lora_config =  LoraConfig(target_modules=["x_proj", "embeddings", "in_proj", "out_proj"])
  trainer = SFTTrainer(
      model=model_id,
      args=training_args,
      train_dataset=dataset,
      peft_config=lora_config,
  )
  trainer.train()
   ```

- 배치 생성에는 왼쪽 패딩을 사용합니다. [패딩 방향](../llm_tutorial#padding-side)을 참조하세요.

## MambaConfig[[transformers.MambaConfig]]

#### transformers.MambaConfig[[transformers.MambaConfig]]

```python
transformers.MambaConfig(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 = 50280, hidden_size: int = 768, state_size: int = 16, num_hidden_layers: int = 32, layer_norm_epsilon: float = 1e-05, pad_token_id: int | None = 0, bos_token_id: int | None = 0, eos_token_id: int | list[int] | None = 0, expand: int = 2, conv_kernel: int = 4, use_bias: bool = False, use_conv_bias: bool = True, hidden_act: str = 'silu', initializer_range: float = 0.1, residual_in_fp32: bool = True, time_step_rank: str | int = 'auto', time_step_scale: float = 1.0, time_step_min: float = 0.001, time_step_max: float = 0.1, time_step_init_scheme: str = 'random', time_step_floor: float = 0.0001, rescale_prenorm_residual: bool = False, use_cache: bool = True, use_mambapy: bool = False, use_associative_scan: bool = True, tie_word_embeddings: bool = True)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mamba/configuration_mamba.py#L26)

**매개변수:**

vocab_size (`int`, *선택 사항*, 기본값 `50280`) : 모델의 어휘 크기입니다. `input_ids`로 표현할 수 있는 서로 다른 토큰의 수를 정의합니다.

hidden_size (`int`, *선택 사항*, 기본값 `768`) : 숨겨진 표현의 차원.

state_size (`int`, *선택 사항*, 기본값 `16`) : Mamba 레이어의 SSM 상태(잠재 상태 차원) 크기입니다.

num_hidden_layers (`int`, *선택 사항*, 기본값 `32`) : Transformer decoder의 숨겨진 레이어 수.

layer_norm_epsilon (`float`, *선택 사항*, 기본값 1e-05) : 레이어 정규화 레이어에서 사용할 epsilon 값입니다.

pad_token_id (`int`, *선택 사항*, 기본값 `0`) : 어휘에서 패딩에 사용되는 토큰 ID입니다.

bos_token_id (`int`, *선택 사항*, 기본값 `0`) : 어휘에서 스트림 시작에 사용되는 토큰 ID입니다.

eos_token_id (`Union[int, list[int]]`, *선택 사항*, 기본값 `0`) : 어휘에서 스트림 종료에 사용되는 토큰 ID입니다.

expand (`int`, *선택 사항*, 기본값 2) : 중간 크기를 결정하는 데 사용되는 확장 계수.

conv_kernel (`int`, *선택 사항*, 기본값 `4`) : 컨볼루션 커널의 크기입니다.

use_bias (`bool`, *선택 사항*, 기본값 `False`) : mixer 블록의 ["in_proj", "out_proj"]에 bias를 사용할지 여부

use_conv_bias (`bool`, *선택 사항*, 기본값 `True`) : mixer 블록의 convolution layer에서 bias를 사용할지 여부입니다.

hidden_act (`str`, *선택 사항*, 기본값 `silu`) : 디코더에서 사용되는 비선형 활성화 함수(함수 또는 문자열). 예를 들어, `"gelu"`, `"relu"`, `"silu"` 등이 있습니다.

initializer_range (`float`, *선택 사항*, 기본값 `0.1`) : 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다.

residual_in_fp32 (`bool`, *선택 사항*, 기본값 `True`) : 잔차가 `float32`로 유지될지 여부입니다. `False`로 설정하면 잔차는 모델의 나머지 부분과 동일한 `dtype`을 유지합니다.

time_step_rank (`Union[str, int]`, *선택 사항*, 기본값 `auto`) : 델타(시간 단계) 투영의 랭크입니다. `"auto"`를 사용하여 자동으로 설정할 수 있습니다.

time_step_scale (`float`, *선택 사항*, 기본값 `1.0`) : 이산화 전에 시간 단계 델타에 적용되는 스케일입니다.

time_step_min (`float`, *선택 사항*, 기본값 `0.001`) : `dt_proj.bias`의 하한으로 사용되는 최소 `time_step`입니다.

time_step_max (`float`, *선택 사항*, 기본값 `0.1`) : `dt_proj.bias`의 상한을 설정하는 데 사용되는 최대 `time_step`입니다.

time_step_init_scheme (`str`, *선택 사항*, 기본값 `random`) : 시간 단계 델타의 초기화 방식. `"random"` 또는 `"uniform"`일 수 있습니다.

time_step_floor (`float`, *선택 사항*, 기본값 `0.0001`) : softplus 활성화 이후의 이산 시간 단계 delta에 허용되는 최소 값.

rescale_prenorm_residual (`bool`, *선택 사항*, 기본값 `False`) : 초기화 시 `out_proj` 가중치를 다시 스케일링할지 여부.

use_cache (`bool`, *선택 사항*, 기본값 `True`) : 모델이 마지막 key/values attention을 반환할지 여부입니다(모든 모델에서 사용되지 않음). `config.is_decoder=True`인 경우 또는 모델이 decoder-only 생성 모델인 경우에만 관련이 있습니다.

use_mambapy (`bool`, *선택 사항*, 기본값 `False`) : Mamba의 CUDA 기반 공식 구현이 사용 불가능한 경우 학습 중 폴백 전략을 결정합니다. `True`인 경우 mamba.py 구현이 사용됩니다. `False`인 경우 단순하고 느린 구현이 사용됩니다. 메모리가 제한적인 경우 단순한 버전으로 전환하는 것을 고려해 보세요.

use_associative_scan (`bool`, *선택 사항*, 기본값 `True`) : 순차적 구현 대신 병렬 스캔에 PyTorch의 `torch._higher_order_ops.associative_scan`을 사용할지 여부입니다. associative scan은 `torch.compile` 트레이싱 중에만 활성화되며 torch >= 2.9.0이 필요합니다. 두 경로 모두 수치적으로 동일한 결과를 생성하도록 테스트되었습니다( `test_associative_scan_matches_sequential` 참조). 순차 루프로 폴백하려면 `False`로 설정하세요.

tie_word_embeddings (`bool`, *선택 사항*, 기본값 `True`) : 모델의 `tied_weights_keys` 매핑에 따라 가중치 임베딩을 묶을지 여부.

이것은 MambaModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Mamba 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 [state-spaces/mamba-2.8b](https://huggingface.co/state-spaces/mamba-2.8b)와 유사한 구성이 생성됩니다.

Configuration 객체는 [PreTrainedConfig](/docs/transformers/v5.23.0/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/v5.23.0/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요.

예:

```python
>>> from transformers import MambaConfig, MambaModel

>>> # Initializing a Mamba configuration
>>> configuration = MambaConfig()

>>> # Initializing a model (with random weights) from the configuration
>>> model = MambaModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## MambaModel[[transformers.MambaModel]]

#### transformers.MambaModel[[transformers.MambaModel]]

```python
transformers.MambaModel(config: MambaConfig)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mamba/modeling_mamba.py#L614)

**매개변수:**

config ([MambaConfig](/docs/transformers/v5.23.0/ko/model_doc/mamba#transformers.MambaConfig)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

특정 헤드가 위에 없는 상태에서 원시 hidden-states를 출력하는 기본 Mamba Model입니다.

이 모델은 [PreTrainedModel](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### forward[[transformers.MambaModel.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, inputs_embeds: typing.Optional[torch.LongTensor] = None, cache_params: transformers.cache_utils.Cache | None = None, use_cache: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, attention_mask: typing.Optional[torch.LongTensor] = None, **kwargs)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mamba/modeling_mamba.py#L639)

**매개변수:**

input_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 어휘(input sequence tokens)의 인덱스입니다. 기본적으로 패딩은 무시됩니다. [AutoTokenizer](/docs/transformers/v5.23.0/ko/model_doc/auto#transformers.AutoTokenizer)를 사용하여 인덱스를 얻을 수 있습니다. 자세한 내용은 [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 및 [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)를 참조하세요. [입력 ID란 무엇인가요?](../glossary#input-ids)

inputs_embeds (`torch.LongTensor`, shape `(batch_size, sequence_length, hidden_size)`, *선택 사항*) : `input_ids`를 전달하는 대신 임베디드 표현을 직접 전달할 수 있습니다. 이는 모델의 내부 임베딩 조회 행렬보다 `input_ids` 인덱스를 관련 벡터로 변환하는 방식에 대해 더 많은 제어를 원할 때 유용합니다.

cache_params (`Cache`, *optional*) : 전달되면, 모델은 모든 블록에서 이전 상태를 사용합니다(이는 모델이 `state_input_ids + input_ids`를 컨텍스트로 추가한 것처럼 `input_ids`에 대한 출력을 제공합니다).

use_cache (`bool`, *선택 사항*) : `True`로 설정하면 `cache_params`가 반환되며, 이를 사용하여 다음 logits를 빠르게 생성할 수 있습니다.

output_hidden_states (`bool`, *선택 사항*) : 모든 레이어의 hidden states를 반환할지 여부. 자세한 내용은 반환되는 텐서 중 `hidden_states` 항목을 참조하세요.

return_dict (`bool`, *선택 사항*) : 일반 튜플 대신 [ModelOutput](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.utils.ModelOutput)를 반환할지 여부.

attention_mask (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 패딩 토큰 인덱스에 대한 어텐션 수행을 방지하기 위한 마스크. `[0, 1]`에서 선택된 마스크 값: - **마스크되지 않은** 토큰은 1, - **마스크된** 토큰은 0. [어텐션 마스크란?](../glossary#attention-mask)

**반환값:** `MambaOutput` 또는 `tuple(torch.Tensor)`

구성([MambaConfig](/docs/transformers/v5.23.0/ko/model_doc/mamba#transformers.MambaConfig))과 입력에 따라 다양한 요소를 포함하는 `MambaOutput` 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우).

[MambaModel](/docs/transformers/v5.23.0/ko/model_doc/mamba#transformers.MambaModel)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **last_hidden_state** (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`, *선택 사항*) -- 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.
- **cache_params** (`~cache_utils.Cache`, *선택 사항*) -- 마지막 시간 단계에서의 모델 상태입니다. 이전 `input_ids`를 다시 제공하지 않고 다음 `input_ids`와 함께 forward 메서드에서 사용할 수 있습니다.

  selective scan 이후의 State space model 상태 행렬과 Convolutional states를 모두 포함합니다
- **hidden_states** (`tuple[torch.Tensor]`, *선택*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력용 1개 + 각 레이어의 출력용 1개)로, 모양은 `(batch_size, sequence_length, hidden_size)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.

## MambaLMHeadModel[[transformers.MambaForCausalLM]]

#### transformers.MambaForCausalLM[[transformers.MambaForCausalLM]]

```python
transformers.MambaForCausalLM(config: MambaConfig)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mamba/modeling_mamba.py#L709)

**매개변수:**

config ([MambaConfig](/docs/transformers/v5.23.0/ko/model_doc/mamba#transformers.MambaConfig)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

입력 임베딩과 가중치가 공유되는 선형 레이어로 구성된 언어 모델링 헤드가 위에 있는 MAMBA 모델 트랜스포머입니다.

이 모델은 [PreTrainedModel](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### forward[[transformers.MambaForCausalLM.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.LongTensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, cache_params: transformers.cache_utils.Cache | None = None, labels: typing.Optional[torch.LongTensor] = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, use_cache: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, **kwargs)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mamba/modeling_mamba.py#L750)

**매개변수:**

input_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 어휘(input sequence tokens)의 인덱스입니다. 기본적으로 패딩은 무시됩니다. [AutoTokenizer](/docs/transformers/v5.23.0/ko/model_doc/auto#transformers.AutoTokenizer)를 사용하여 인덱스를 얻을 수 있습니다. 자세한 내용은 [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 및 [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)를 참조하세요. [입력 ID란 무엇인가요?](../glossary#input-ids)

attention_mask (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 패딩 토큰 인덱스에 대한 어텐션 수행을 방지하기 위한 마스크. `[0, 1]`에서 선택된 마스크 값: - **마스크되지 않은** 토큰은 1, - **마스크된** 토큰은 0. [어텐션 마스크란?](../glossary#attention-mask)

inputs_embeds (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`, *선택 사항*) : `input_ids`를 전달하는 대신 임베디드 표현을 직접 전달할 수 있습니다. 이는 모델의 내부 임베딩 조회 행렬보다 `input_ids` 인덱스를 관련 벡터로 변환하는 방식에 대해 더 많은 제어가 필요한 경우 유용합니다.

cache_params (`Cache`, *optional*) : 전달되면, 모델은 모든 블록에서 이전 상태를 사용합니다(이는 모델이 `state_input_ids + input_ids`를 컨텍스트로 추가한 것처럼 `input_ids`에 대한 출력을 제공합니다).

labels (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 언어 모델링을 위한 라벨. 모델 내부에서 라벨이 **시프트(shift)**되므로 `labels = input_ids`로 설정할 수 있습니다. 인덱스는 `[-100, 0, ..., config.vocab_size]` 범위에서 선택됩니다. `-100`으로 설정된 모든 라벨은 무시(마스크)되며, 손실은 `[0, ..., config.vocab_size]` 범위의 라벨에 대해서만 계산됩니다.

output_hidden_states (`bool`, *선택 사항*) : 모든 레이어의 hidden states를 반환할지 여부. 자세한 내용은 반환되는 텐서 중 `hidden_states` 항목을 참조하세요.

return_dict (`bool`, *선택 사항*) : 일반 튜플 대신 [ModelOutput](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.utils.ModelOutput)를 반환할지 여부.

use_cache (`bool`, *선택 사항*) : `True`로 설정하면 `cache_params`가 반환되며, 이를 사용하여 다음 logits를 빠르게 생성할 수 있습니다.

logits_to_keep (`Union[int, torch.Tensor]`, *선택 사항*, 기본값 `0`) : `int`인 경우, 마지막 `logits_to_keep` 토큰에 대한 logits를 계산합니다. `0`인 경우, 모든 `input_ids`에 대한 logits를 계산합니다(특수한 경우). 생성에는 마지막 토큰의 logits만 필요하며, 해당 토큰에 대해서만 계산하면 메모리를 절약할 수 있습니다. 이는 긴 시퀀스나 큰 어휘 크기의 경우 상당한 이점을 제공합니다. `torch.Tensor`인 경우, 시퀀스 길이 차원에서 유지할 인덱스에 해당하는 1차원 텐서여야 합니다. 이는 packed tensor 형식(배치와 시퀀스 길이를 단일 차원으로 사용하는 경우)을 사용할 때 유용합니다.

**반환값:** `MambaCausalLMOutput` 또는 `tuple(torch.Tensor)`

구성([MambaConfig](/docs/transformers/v5.23.0/ko/model_doc/mamba#transformers.MambaConfig))과 입력에 따라 다양한 요소를 포함하는 `MambaCausalLMOutput` 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우).

[MambaForCausalLM](/docs/transformers/v5.23.0/ko/model_doc/mamba#transformers.MambaForCausalLM)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **loss** (`torch.Tensor`, shape `(1,)`, *선택 사항*, `labels`가 제공될 때 반환됨) -- 언어 모델링 손실(다음 토큰 예측용).
- **logits** (`torch.Tensor`, shape `(batch_size, sequence_length, config.vocab_size)`) -- 언어 모델링 헤드에서 생성된 예측 점수(SoftMax 적용 전 각 어휘 토큰에 대한 점수).
- **cache_params** (`~cache_utils.Cache`, *선택 사항*) -- 마지막 시간 단계에서의 모델 상태입니다. 이전 `input_ids`를 다시 제공하지 않고 다음 `input_ids`와 함께 forward 메서드에서 사용할 수 있습니다.

  selective scan 이후의 State space model 상태 행렬과 Convolutional states를 모두 포함합니다
- **hidden_states** (`tuple[torch.Tensor]`, *선택*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력용 1개 + 각 레이어의 출력용 1개)로, 모양은 `(batch_size, sequence_length, hidden_size)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.

예:

```python
```