2026/9/10 14:43:01
FEATURED · 精选文章 
Transformers 法语文档入口模型目录、三大框架兼容性矩阵与文档体系全景解析【免费下载链接】transformers Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training.项目地址: https://gitcode.com/GitHub_Trending/tra/transformers本文围绕 docs/source/fr/index.md 展开完整梳理 Transformers 法语文档的入口页面库的定位与四种模态覆盖、文档五段式组织结构、受支持模型目录以及 PyTorch / TensorFlow / Flax 三框架的完整兼容矩阵。读完后你将掌握该入口文档的信息骨架、其背后的文档构建与自动同步机制make fix-copies以及如何从入口页正确导航到 快速上手、安装说明 等下游文档。入口文档的定位法语站点的着陆页docs/source/fr/index.md 是 Transformers 官方文档法语站点docs/source/fr/的首页H1 标题为 Transformers。它对外的核心声明是 Transformers 提供 API 与工具用于便捷地下载和训练最先进的预训练模型适用于 PyTorch、TensorFlow 和 JAX。使用预训练模型可以降低计算成本、减少碳足迹并省去从零训练模型所需的时间与资源。作为着陆页它承担三件事能力总览按模态列出库覆盖的任务NLP、视觉、音频、多模态文档导航说明整个文档站分为哪几部分、每部分的定位事实索引以受支持模型清单和框架兼容矩阵两张大表给出库支持范围的可验证依据。从目录结构看法语站点的页面清单由 docs/source/fr/_toctree.yml 定义共包含index本页、quicktourVisite rapide、installationInstallation、tutoriel_pipeline、autoclass_tutorial、run_scripts_fr、task_summary、tasks_explained等页面其中多篇教程条目数据准备、微调、分布式训练、PEFT、模型分享、LLM 生成仍指向占位文档in_translation.md表明法语文档是部分翻译、持续补全中的状态。这一点与 docs/TRANSLATING.md 中描述的多语言文档协作机制一致。库能力总览四种模态与跨框架互操作入口文档将 Transformers 的任务覆盖面归纳为四类原文法语表述的中文对照模态覆盖任务自然语言处理NLP文本分类、命名实体识别、问答、语言建模、摘要生成、翻译、多选任务、文本生成计算机视觉图像分类、目标检测、分割音频自动语音识别ASR、音频分类多模态表格/图像问答VQA、OCR、从扫描文档中提取信息、视频分类文档同时强调一个关键设计哲学——PyTorch / TensorFlow / JAX 互操作允许在模型生命周期的不同阶段使用不同框架例如用某个框架三行代码训练一个模型再用另一个框架加载它做推理模型还可以导出为 ONNX、TorchScript 等格式以部署到生产环境。这一多框架一等公民的设计在仓库中是结构性事实src/transformers/models/下每个模型目录通常同时包含 PyTorch 实现modeling_name.py、TensorFlow 实现tf_*.py与 Flax 实现flax_*.py是否具备某一框架的实现在下方兼容矩阵中逐模型标注。文档的五段式组织结构入口文档Contenu 一节声明整个文档站组织为 5 大部分DEMARRER快速开始库的速览与安装说明帮助读者快速上手TUTORIELS教程初学者的起点帮助获得开始使用库所需的基础技能GUIDES DUTILISATION使用指南面向具体任务例如微调预训练模型做文本分类、创建并分享自己的模型GUIDES CONCEPTUELS概念指南对模型、任务与 Transformers 设计哲学背后的概念做更深入的解释API描述全部类与函数细分为三类主要类CLASSES PRINCIPALES配置configuration、模型model、分词器tokenizer、管道pipeline等最核心的类模型MODELES库中每个模型各自的类与函数内部工具UTILITAIRES INTERNES内部使用的工具类与函数。对照当前仓库 docs/source/fr/_toctree.yml 的实际编排法语站目前落地了前三段的框架Démarrerindex→quicktour→installationTutorielstutoriel_pipelinePipelines pour linférence、autoclass_tutorial用 AutoClass 加载预训练实例、run_scripts_fr用脚本训练其余条目以in_translation占位Guides conceptuelstask_summaryTransformers 能做什么、tasks_explainedTransformers 如何求解这些任务。API 部分的model_doc与main_classes等页面由文档构建器基于src/transformers/源码自动渲染入口文档中的模型清单条目以model_doc/模型名的相对路径链接到这些自动生成的 API 页因此不需要手工维护这也是下一节两张大表禁止手动更新注释存在的原因。受支持模型目录从入口清单看生态规模入口文档的 Modèles supportés 一节列出了约 180 个模型每个条目包含模型名链接到对应 API 页、开发机构、配套论文与作者。文档中带有明确注释!--This list is updated automatically from the README with _make fix-copies_. Do not update manually!--即该清单通过make fix-copies从根目录 README自动生成同步严禁手工修改——这解释了为什么清单条目格式高度统一。从仓库当前实际代码看src/transformers/models/目录下的模型子目录已达到516 个如bert、gpt2、llama、qwen3_vl、whisper、sam3等远多于法语入口页所载的约 180 条。可以推断法语入口页的模型清单是翻译文档随主仓库滚动更新时的某次同步快照新模型如 DeepSeek 系列、Qwen 系列、Gemma 系列等会先出现在英文文档与源码中法语清单依赖后续同步。为保留原文档的信息结构下面按模态将入口清单中的代表模型完整归类机构与论文归属信息见 docs/source/fr/index.md 原文语言模型 / 文本生成与理解ALBERT、BART、BERT及 Bert Generation、CamemBERT、FlauBERT、BARThez、BERTweet、BioGPT、CANINE、ConvBERT、CPM、CTRL、ELECTRA、ERNIE、FNet、Funnel Transformer、GPT / GPT-2 / GPT Neo / GPT NeoX / GPT NeoX Japanese / GPT-J / GPT-Sw3 / XGLM / Megatron-BERT / Megatron-GPT2、DistilBERT、LED / Longformer、LXMERT、LUKE / mLUKE、M2M100、mBART / mBART-50、MarianMT基于 OPUS 数据训练的机器翻译模型、MarkupLM、MPNet、MT5 / T5 / T5v1.1 / LongT5 / Pegasus / PEGASUS-X / UL2 / ByT5、MobileBERT、Nezha、OPT、PLBart、ProphetNet、QDQBert、REALM、Reformer、RemBERT、RoBERTa / RoBERTa-PreLayerNorm、RoFormer、RoCBert、RAG / DPR / Splinter、SqueezeBERT、SwitchTransformers、TAPAS / TAPEX / Table Transformer、Transformer-XL、XLNet / XLM / XLM-ProphetNet / XLM-RoBERTa / XLM-RoBERTa-XL、YOSO 等视觉模型ALIGN、AltCLIP、BEiT、BiT、BLIP、BridgeTower、Chinese-CLIP、CLIP / CLIPSeg / X-CLIP / OWL-ViT、Conditional DETR / Deformable DETR / DETR / DETA / YOLOS、ConvNeXT / ConvNeXTV2、CvT、Decision Transformer、DeiT、DiT、Donut、DPT、EfficientFormer、GLPN、GIT、GroupViT、ImageGPT、LeViT、LeViT 系、Mask2Former / MaskFormer、MobileNetV1 / MobileNetV2 / MobileViT、Nyströmformer / OneFormer、NAT / DiNAT、Perceiver IO、PoolFormer、RegNet、ResNet、SegFormer、Swin Transformer / Swin Transformer V2 / Swin2SR、TimeSformer、Trajectory Transformer、Timm 无关的 VAN、ViT / ViT Hybrid / ViTMAE / ViTMSN / VideoMAE / ViLT / VisualBERT、UPerNet、Graphormer 等音频模型Audio Spectrogram Transformer、Data2VecAudio/Text/Vision、FastSpeech2Conformer、Hubert、Jukebox、M-CTC-T、SEW / SEW-D、Speech Encoder Decoder、SpeechToTextTransformer / SpeechToTextTransformer2、SpeechT5、UniSpeech / UniSpeechSat、Wav2Vec2 / Wav2Vec2-Conformer / Wav2Vec2Phoneme、WavLM、Whisper、XLS-R / XLSR-Wav2Vec2 等文档理解与多模态LayoutLM / LayoutLMv2 / LayoutLMv3、LayoutXLM、TrOCR、BLOOMBigScience Workshop 发布等。框架兼容矩阵slow/fast Tokenizer 与 PyTorch / TensorFlow / Flax 支持入口文档的 Frameworks compatibles 一节给出了一张逐模型标注支持情况的表格列为Tokenizer slow纯 Python 实现的慢速分词器Tokenizer fast由 Tokenizers 库支撑的 Rust 加速分词器fast 不一定要求 slow 同时存在例如 BLOOM、GPT NeoX 仅支持 fastPyTorch support / TensorFlow support / Flax Support三个深度学习框架的模型实现是否可用。该表同样标注为自动生成!--This table is updated automatically from the auto modules with _make fix-copies_. Do not update manually!--其数据源是src/transformers/models/auto/等 auto 模块中对各模型框架实现的注册情况。完整矩阵共 160 余行收录于 docs/source/fr/index.md以下为覆盖各框架组合特征的代表性行完整数据以该文件为准模型Tokenizer slowTokenizer fastPyTorchTensorFlowFlaxALBERT✅✅✅✅✅BART✅✅✅✅✅BERT✅✅✅✅✅DistilBERT✅✅✅✅✅RoBERTa✅✅✅✅✅T5✅✅✅✅✅XLM-RoBERTa✅✅✅✅✅Wav2Vec2✅❌✅✅✅BLOOM❌✅✅❌❌GPT NeoX❌✅✅❌❌GPT Neo❌❌✅❌✅BEiT❌❌✅❌✅OPT❌❌✅✅✅CLIP✅✅✅✅✅AltCLIP❌❌✅❌❌Whisper✅❌✅✅❌DETR❌❌✅❌❌Swin Transformer❌❌✅✅❌从矩阵中可以读出几条实用结论均以表中数据为准三框架全支持的全家桶模型集中在经典语言模型BERT 系、T5、RoBERTa、XLM-R、GPT-2 等与少数视觉模型CLIP、ViT、RegNet仅 PyTorch支持的模型数量最多多为较新或视觉/检测类架构DETR、Swin 系、Whisper 仅 PyTorchTF 等视觉/音频模型普遍没有 slow Python tokenizer表中大量 Tokenizer slow ❌因为其输入经图像处理器/特征提取器而非分词器处理若你的工作流依赖TensorFlow 或 Flax选型时应以这张表为准——例如在 TF 下可用 BERT 系、T5、Whisper、Swin Transformer但在 Flax 下可选面显著收窄。构建与翻译机制入口页背后的工程细节入口文档虽为着陆页但它暴露了文档工程的两处可考证机制均能在仓库中找到对应物make fix-copies自动同步。模型清单与兼容表两处注释均指向该 Make 目标负责把根 README 中的模型列表与 auto 模块中的框架注册信息同步进各语言文档。该目标定义于仓库 Makefile保证各语言入口页与源码事实一致避免人工维护造成的漂移。Notebook 注入配置。同目录的 docs/source/fr/_config.py 定义了INSTALL_CONTENTpip install transformers datasets evaluate accelerate的安装命令块与notebook_first_cells即文档构建为法语站点的交互式 Notebook 自动注入的首个代码单元格还包含black_avoid_patterns用于代码示例中占位类名的格式化规避。这与 docs/source/fr/quicktour.md 开头要求安装的依赖transformers datasets evaluate acceleratetorch完全对应。运行环境事实以 setup.py 为准当前开发版本为5.17.0.dev0支持Python 3.10 ~ 3.14SUPPORTED_PYTHON_VERSIONS (10, 14)核心安装依赖包括huggingface-hub、numpy、packaging、pyyaml、regex、tokenizers、typer、safetensors、tqdm。文档中提到的框架互操作PyTorch / TF / JAX属于可选扩展依赖按需安装。如何从入口页继续深入基于入口文档给出的五段式结构推荐的法语文档阅读路径为安装说明安装命令与可选依赖快速上手用pipeline做推理、用 AutoClass 加载模型与预处理器、快速训练Pipelines 教程 与 AutoClass 教程把入口页能力总览中的具体任务落地为可运行代码概念指南 与 任务解析理解每个任务对应的模型家族与求解方式回到 入口页的模型目录与兼容矩阵 选型先按任务锁定模型再按团队实际使用的框架以及是否需要 fast tokenizer用矩阵过滤。需要注意的适用前提法语站点为部分翻译状态多篇教程仍为in_translation占位且模型清单/兼容表是自动同步的快照可能与src/transformers/当前代码存在版本差涉及最新模型时建议以英文文档与源码目录src/transformers/models/为准交叉核对。【免费下载链接】transformers Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training.项目地址: https://gitcode.com/GitHub_Trending/tra/transformers创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Transformers 法语文档入口：模型目录、三大框架兼容性矩阵与文档体系全景解析
Transformers 法语文档入口模型目录、三大框架兼容性矩阵与文档体系全景解析【免费下载链接】transformers Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training.项目地址: https://gitcode.com/GitHub_Trending/tra/transformers本文围绕 docs/source/fr/index.md 展开完整梳理 Transformers 法语文档的入口页面库的定位与四种模态覆盖、文档五段式组织结构、受支持模型目录以及 PyTorch / TensorFlow / Flax 三框架的完整兼容矩阵。读完后你将掌握该入口文档的信息骨架、其背后的文档构建与自动同步机制make fix-copies以及如何从入口页正确导航到 快速上手、安装说明 等下游文档。入口文档的定位法语站点的着陆页docs/source/fr/index.md 是 Transformers 官方文档法语站点docs/source/fr/的首页H1 标题为 Transformers。它对外的核心声明是 Transformers 提供 API 与工具用于便捷地下载和训练最先进的预训练模型适用于 PyTorch、TensorFlow 和 JAX。使用预训练模型可以降低计算成本、减少碳足迹并省去从零训练模型所需的时间与资源。作为着陆页它承担三件事能力总览按模态列出库覆盖的任务NLP、视觉、音频、多模态文档导航说明整个文档站分为哪几部分、每部分的定位事实索引以受支持模型清单和框架兼容矩阵两张大表给出库支持范围的可验证依据。从目录结构看法语站点的页面清单由 docs/source/fr/_toctree.yml 定义共包含index本页、quicktourVisite rapide、installationInstallation、tutoriel_pipeline、autoclass_tutorial、run_scripts_fr、task_summary、tasks_explained等页面其中多篇教程条目数据准备、微调、分布式训练、PEFT、模型分享、LLM 生成仍指向占位文档in_translation.md表明法语文档是部分翻译、持续补全中的状态。这一点与 docs/TRANSLATING.md 中描述的多语言文档协作机制一致。库能力总览四种模态与跨框架互操作入口文档将 Transformers 的任务覆盖面归纳为四类原文法语表述的中文对照模态覆盖任务自然语言处理NLP文本分类、命名实体识别、问答、语言建模、摘要生成、翻译、多选任务、文本生成计算机视觉图像分类、目标检测、分割音频自动语音识别ASR、音频分类多模态表格/图像问答VQA、OCR、从扫描文档中提取信息、视频分类文档同时强调一个关键设计哲学——PyTorch / TensorFlow / JAX 互操作允许在模型生命周期的不同阶段使用不同框架例如用某个框架三行代码训练一个模型再用另一个框架加载它做推理模型还可以导出为 ONNX、TorchScript 等格式以部署到生产环境。这一多框架一等公民的设计在仓库中是结构性事实src/transformers/models/下每个模型目录通常同时包含 PyTorch 实现modeling_name.py、TensorFlow 实现tf_*.py与 Flax 实现flax_*.py是否具备某一框架的实现在下方兼容矩阵中逐模型标注。文档的五段式组织结构入口文档Contenu 一节声明整个文档站组织为 5 大部分DEMARRER快速开始库的速览与安装说明帮助读者快速上手TUTORIELS教程初学者的起点帮助获得开始使用库所需的基础技能GUIDES DUTILISATION使用指南面向具体任务例如微调预训练模型做文本分类、创建并分享自己的模型GUIDES CONCEPTUELS概念指南对模型、任务与 Transformers 设计哲学背后的概念做更深入的解释API描述全部类与函数细分为三类主要类CLASSES PRINCIPALES配置configuration、模型model、分词器tokenizer、管道pipeline等最核心的类模型MODELES库中每个模型各自的类与函数内部工具UTILITAIRES INTERNES内部使用的工具类与函数。对照当前仓库 docs/source/fr/_toctree.yml 的实际编排法语站目前落地了前三段的框架Démarrerindex→quicktour→installationTutorielstutoriel_pipelinePipelines pour linférence、autoclass_tutorial用 AutoClass 加载预训练实例、run_scripts_fr用脚本训练其余条目以in_translation占位Guides conceptuelstask_summaryTransformers 能做什么、tasks_explainedTransformers 如何求解这些任务。API 部分的model_doc与main_classes等页面由文档构建器基于src/transformers/源码自动渲染入口文档中的模型清单条目以model_doc/模型名的相对路径链接到这些自动生成的 API 页因此不需要手工维护这也是下一节两张大表禁止手动更新注释存在的原因。受支持模型目录从入口清单看生态规模入口文档的 Modèles supportés 一节列出了约 180 个模型每个条目包含模型名链接到对应 API 页、开发机构、配套论文与作者。文档中带有明确注释!--This list is updated automatically from the README with _make fix-copies_. Do not update manually!--即该清单通过make fix-copies从根目录 README自动生成同步严禁手工修改——这解释了为什么清单条目格式高度统一。从仓库当前实际代码看src/transformers/models/目录下的模型子目录已达到516 个如bert、gpt2、llama、qwen3_vl、whisper、sam3等远多于法语入口页所载的约 180 条。可以推断法语入口页的模型清单是翻译文档随主仓库滚动更新时的某次同步快照新模型如 DeepSeek 系列、Qwen 系列、Gemma 系列等会先出现在英文文档与源码中法语清单依赖后续同步。为保留原文档的信息结构下面按模态将入口清单中的代表模型完整归类机构与论文归属信息见 docs/source/fr/index.md 原文语言模型 / 文本生成与理解ALBERT、BART、BERT及 Bert Generation、CamemBERT、FlauBERT、BARThez、BERTweet、BioGPT、CANINE、ConvBERT、CPM、CTRL、ELECTRA、ERNIE、FNet、Funnel Transformer、GPT / GPT-2 / GPT Neo / GPT NeoX / GPT NeoX Japanese / GPT-J / GPT-Sw3 / XGLM / Megatron-BERT / Megatron-GPT2、DistilBERT、LED / Longformer、LXMERT、LUKE / mLUKE、M2M100、mBART / mBART-50、MarianMT基于 OPUS 数据训练的机器翻译模型、MarkupLM、MPNet、MT5 / T5 / T5v1.1 / LongT5 / Pegasus / PEGASUS-X / UL2 / ByT5、MobileBERT、Nezha、OPT、PLBart、ProphetNet、QDQBert、REALM、Reformer、RemBERT、RoBERTa / RoBERTa-PreLayerNorm、RoFormer、RoCBert、RAG / DPR / Splinter、SqueezeBERT、SwitchTransformers、TAPAS / TAPEX / Table Transformer、Transformer-XL、XLNet / XLM / XLM-ProphetNet / XLM-RoBERTa / XLM-RoBERTa-XL、YOSO 等视觉模型ALIGN、AltCLIP、BEiT、BiT、BLIP、BridgeTower、Chinese-CLIP、CLIP / CLIPSeg / X-CLIP / OWL-ViT、Conditional DETR / Deformable DETR / DETR / DETA / YOLOS、ConvNeXT / ConvNeXTV2、CvT、Decision Transformer、DeiT、DiT、Donut、DPT、EfficientFormer、GLPN、GIT、GroupViT、ImageGPT、LeViT、LeViT 系、Mask2Former / MaskFormer、MobileNetV1 / MobileNetV2 / MobileViT、Nyströmformer / OneFormer、NAT / DiNAT、Perceiver IO、PoolFormer、RegNet、ResNet、SegFormer、Swin Transformer / Swin Transformer V2 / Swin2SR、TimeSformer、Trajectory Transformer、Timm 无关的 VAN、ViT / ViT Hybrid / ViTMAE / ViTMSN / VideoMAE / ViLT / VisualBERT、UPerNet、Graphormer 等音频模型Audio Spectrogram Transformer、Data2VecAudio/Text/Vision、FastSpeech2Conformer、Hubert、Jukebox、M-CTC-T、SEW / SEW-D、Speech Encoder Decoder、SpeechToTextTransformer / SpeechToTextTransformer2、SpeechT5、UniSpeech / UniSpeechSat、Wav2Vec2 / Wav2Vec2-Conformer / Wav2Vec2Phoneme、WavLM、Whisper、XLS-R / XLSR-Wav2Vec2 等文档理解与多模态LayoutLM / LayoutLMv2 / LayoutLMv3、LayoutXLM、TrOCR、BLOOMBigScience Workshop 发布等。框架兼容矩阵slow/fast Tokenizer 与 PyTorch / TensorFlow / Flax 支持入口文档的 Frameworks compatibles 一节给出了一张逐模型标注支持情况的表格列为Tokenizer slow纯 Python 实现的慢速分词器Tokenizer fast由 Tokenizers 库支撑的 Rust 加速分词器fast 不一定要求 slow 同时存在例如 BLOOM、GPT NeoX 仅支持 fastPyTorch support / TensorFlow support / Flax Support三个深度学习框架的模型实现是否可用。该表同样标注为自动生成!--This table is updated automatically from the auto modules with _make fix-copies_. Do not update manually!--其数据源是src/transformers/models/auto/等 auto 模块中对各模型框架实现的注册情况。完整矩阵共 160 余行收录于 docs/source/fr/index.md以下为覆盖各框架组合特征的代表性行完整数据以该文件为准模型Tokenizer slowTokenizer fastPyTorchTensorFlowFlaxALBERT✅✅✅✅✅BART✅✅✅✅✅BERT✅✅✅✅✅DistilBERT✅✅✅✅✅RoBERTa✅✅✅✅✅T5✅✅✅✅✅XLM-RoBERTa✅✅✅✅✅Wav2Vec2✅❌✅✅✅BLOOM❌✅✅❌❌GPT NeoX❌✅✅❌❌GPT Neo❌❌✅❌✅BEiT❌❌✅❌✅OPT❌❌✅✅✅CLIP✅✅✅✅✅AltCLIP❌❌✅❌❌Whisper✅❌✅✅❌DETR❌❌✅❌❌Swin Transformer❌❌✅✅❌从矩阵中可以读出几条实用结论均以表中数据为准三框架全支持的全家桶模型集中在经典语言模型BERT 系、T5、RoBERTa、XLM-R、GPT-2 等与少数视觉模型CLIP、ViT、RegNet仅 PyTorch支持的模型数量最多多为较新或视觉/检测类架构DETR、Swin 系、Whisper 仅 PyTorchTF 等视觉/音频模型普遍没有 slow Python tokenizer表中大量 Tokenizer slow ❌因为其输入经图像处理器/特征提取器而非分词器处理若你的工作流依赖TensorFlow 或 Flax选型时应以这张表为准——例如在 TF 下可用 BERT 系、T5、Whisper、Swin Transformer但在 Flax 下可选面显著收窄。构建与翻译机制入口页背后的工程细节入口文档虽为着陆页但它暴露了文档工程的两处可考证机制均能在仓库中找到对应物make fix-copies自动同步。模型清单与兼容表两处注释均指向该 Make 目标负责把根 README 中的模型列表与 auto 模块中的框架注册信息同步进各语言文档。该目标定义于仓库 Makefile保证各语言入口页与源码事实一致避免人工维护造成的漂移。Notebook 注入配置。同目录的 docs/source/fr/_config.py 定义了INSTALL_CONTENTpip install transformers datasets evaluate accelerate的安装命令块与notebook_first_cells即文档构建为法语站点的交互式 Notebook 自动注入的首个代码单元格还包含black_avoid_patterns用于代码示例中占位类名的格式化规避。这与 docs/source/fr/quicktour.md 开头要求安装的依赖transformers datasets evaluate acceleratetorch完全对应。运行环境事实以 setup.py 为准当前开发版本为5.17.0.dev0支持Python 3.10 ~ 3.14SUPPORTED_PYTHON_VERSIONS (10, 14)核心安装依赖包括huggingface-hub、numpy、packaging、pyyaml、regex、tokenizers、typer、safetensors、tqdm。文档中提到的框架互操作PyTorch / TF / JAX属于可选扩展依赖按需安装。如何从入口页继续深入基于入口文档给出的五段式结构推荐的法语文档阅读路径为安装说明安装命令与可选依赖快速上手用pipeline做推理、用 AutoClass 加载模型与预处理器、快速训练Pipelines 教程 与 AutoClass 教程把入口页能力总览中的具体任务落地为可运行代码概念指南 与 任务解析理解每个任务对应的模型家族与求解方式回到 入口页的模型目录与兼容矩阵 选型先按任务锁定模型再按团队实际使用的框架以及是否需要 fast tokenizer用矩阵过滤。需要注意的适用前提法语站点为部分翻译状态多篇教程仍为in_translation占位且模型清单/兼容表是自动同步的快照可能与src/transformers/当前代码存在版本差涉及最新模型时建议以英文文档与源码目录src/transformers/models/为准交叉核对。【免费下载链接】transformers Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training.项目地址: https://gitcode.com/GitHub_Trending/tra/transformers创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
