Visual-RFT项目中的split_with_sizes错误分析与解决方案
2025-07-10 19:33:51作者:段琳惟
问题背景
在Visual-RFT项目使用过程中,部分开发者遇到了一个RuntimeError错误,错误信息显示为"split_with_sizes expects split_sizes to sum exactly to 1 (input tensor's size at dimension 0), but got split_sizes=[1944]"。这个错误出现在模型训练过程中,特别是在处理视觉特征时。
错误原因分析
该错误的根本原因在于张量维度不匹配问题。具体来说:
- 在transformers/models/qwen2_vl/modeling_qwen2_vl.py文件中,代码尝试使用torch.split函数对一个形状为[1, 1944, w]的张量x进行分割
- 分割参数lengths被设置为[1944]
- 但torch.split函数要求分割尺寸的总和必须等于输入张量在分割维度上的大小
- 由于输入张量在第一维的大小是1,而lengths总和为1944,因此引发了错误
解决方案探索
经过技术分析,我们找到了两种可行的解决方案:
方案一:修改modeling_qwen2_vl.py文件
在modeling_qwen2_vl.py文件的第1919行附近,将lengths的计算方式修改为:
lengths = [1] # 替代原有的计算方式
这种修改直接解决了维度不匹配的问题,允许训练继续进行。但需要注意的是,这种修改可能会影响模型对多样本批处理的支持。
方案二:修复grpo_trainer.py文件
更根本的解决方案是修复src/open_r1/trainer/grpo_trainer.py文件中的问题:
- 注释掉第383行对pixel_values的维度扩展:
# prompt_inputs['pixel_values'] = prompt_inputs['pixel_values'][None]
- 将第401行的pixel_values处理方式恢复为原始实现:
pixel_values = prompt_inputs["pixel_values"].repeat(self.num_generations, 1)
这种方案更贴近项目的原始设计意图,特别是在处理批量数据时表现更好。
技术原理深入
这个问题的本质在于视觉特征处理流程中的维度管理。在深度学习框架中,张量维度的正确处理至关重要:
- 原始实现中,pixel_values被错误地增加了一个维度,导致后续处理时维度不匹配
- 正确的处理应该保持张量的原始维度结构,仅通过repeat操作扩展样本数量
- 维度错误会级联传播,最终在模型的特征分割步骤触发异常
实际应用验证
经过实际测试,特别是针对细粒度分类任务(如aircraft数据集上的4-shot学习),方案二能够有效解决问题并保持模型性能。这表明:
- 维度处理的正确性直接影响模型训练稳定性
- 原始实现中的维度扩展可能是在特定条件下的临时解决方案
- 恢复标准处理方式更符合模型的预期行为
最佳实践建议
基于项目经验,我们建议开发者:
- 优先采用方案二进行修复,它更符合模型设计的初衷
- 在修改前备份原始文件,便于问题排查和恢复
- 对于不同的任务场景,注意检查输入张量的维度是否符合预期
- 当遇到类似维度不匹配错误时,可以逐层检查张量形状变化
总结
Visual-RFT项目中的这个split_with_sizes错误揭示了深度学习项目中维度管理的重要性。通过分析错误根源并比较不同解决方案,我们不仅解决了眼前的问题,也加深了对模型数据处理流程的理解。正确的维度处理是确保模型训练成功的关键因素之一,开发者在实现自定义模型组件时应特别注意这一点。
登录后查看全文
热门项目推荐
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
- QQwen3-Coder-480B-A35B-InstructQwen3-Coder-480B-A35B-Instruct是当前最强大的开源代码模型之一,专为智能编程与工具调用设计。它拥有4800亿参数,支持256K长上下文,并可扩展至1M,特别擅长处理复杂代码库任务。模型在智能编码、浏览器操作等任务上表现卓越,性能媲美Claude Sonnet。支持多种平台工具调用,内置优化的函数调用格式,能高效完成代码生成与逻辑推理。推荐搭配温度0.7、top_p 0.8等参数使用,单次输出最高支持65536个token。无论是快速排序算法实现,还是数学工具链集成,都能流畅执行,为开发者提供接近人类水平的编程辅助体验。【此简介由AI生成】Python00
- KKimi-K2-InstructKimi-K2-Instruct是月之暗面推出的尖端混合专家语言模型,拥有1万亿总参数和320亿激活参数,专为智能代理任务优化。基于创新的MuonClip优化器训练,模型在知识推理、代码生成和工具调用场景表现卓越,支持128K长上下文处理。作为即用型指令模型,它提供开箱即用的对话能力与自动化工具调用功能,无需复杂配置即可集成到现有系统。模型采用MLA注意力机制和SwiGLU激活函数,在vLLM等主流推理引擎上高效运行,特别适合需要快速响应的智能助手应用。开发者可通过兼容OpenAI/Anthropic的API轻松调用,或基于开源权重进行深度定制。【此简介由AI生成】Python00
2025百大提名项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。00note-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。TSX02GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。04
热门内容推荐
最新内容推荐
左手Annotators,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手controlnet-openpose-sdxl-1.0,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手ERNIE-4.5-VL-424B-A47B-Paddle,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手m3e-base,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手SDXL-Lightning,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手wav2vec2-base-960h,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手nsfw_image_detection,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手XTTS-v2,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手whisper-large-v3,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手flux-ip-adapter,右手GPT-4:企业AI战略的“开源”与“闭源”之辩
项目优选
收起

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
713
459

React Native鸿蒙化仓库
C++
143
226

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
306
1.04 K

openGauss kernel ~ openGauss is an open source relational database management system
C++
105
161

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
367
357

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
53
15

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
116
255

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.02 K
0

基于仓颉编程语言构建的 LLM Agent 开发框架,其主要特点包括:Agent DSL、支持 MCP 协议,支持模块化调用,支持任务智能规划。
Cangjie
591
47

前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。
官网地址:https://matechat.gitcode.com
706
97