Transformers 5.18.0 发布：新增多款模型并列出破坏性变更

版本概况

Hugging Face Transformers 仓库发布 5.18.0（来源标注时间 2026-09-30）。本次更新以模型接入、缺陷修复为主，同时包含若干破坏性变更。

新增模型支持

• Nemotron 3 Diarization：开放权重的流式说话人分离模型，可判定“谁在何时说话”，支持流式与离线推理，最多处理 8 位说话人，输出按各说话人在音频中首次出现顺序排列。使用 Arrival-Order Speaker Cache 与 FIFO 队列；单一检查点支持可配置延迟档位，从 80 ms 输入缓冲到 30.4 s 的离线式缓冲，输出帧分辨率可按 10 ms 的倍数配置；分块推理时音频时长不设上限。
• NemotronH Omni：NVIDIA 多模态推理模型，由 NemotronH 混合 Mamba-Transformer 语言模型搭配 RADIO 视觉编码器和可选 Parakeet 声音编码器构成。图像与视频块经 RADIO 与 pixel-shuffle MLP 投影到语言模型嵌入空间，音频片段同样投影，从而在文本、图像、视频、声音上联合推理。
• HyperCLOVAX Vision V2：NAVER 的多模态视觉语言模型，语言骨干为 HyperClovaX，视觉编码器为 Qwen2.5-VL，支持文本、图像、视频输入，并可通过内置 thinking token 进行思维链推理。
• GTE：BERT 风格双向编码器，以 RoPE 替换绝对位置嵌入，使用门控 MLP，并在每个残差连接后做层归一化；同一架构支撑阿里 gte-v1.5、gte-multilingual、gte-en-mlm 系列检查点及 Snowflake 的 snowflake-arctic-embed-m-v2.0。

破坏性变更

包括 ROCm 下 gpt-oss 将 FA3 路由至 aiter-flash-attn、DETR 图像处理提速、indexers 的 layer_type 重映射、vLLM 后端视频 token 计数修复、DINO 系列现代化调整，以及 Kernels 版本上调。

缺陷修复与改进

条目数量很多，涉及生成、缓存、MoE 专家并行、GGUF 集成、图像处理器、分词器、XPU/MPS/ROCm 后端、测试稳定性与 CI 流程等。例如修复 AutoModel 未恢复 modules_to_save 权重、静态缓存层头形状、Pixtral 图像处理器 do_pad、UMT5 解码器自注意力非因果、SwitchTransformers 路由损失等问题，并新增 Trainer.end、OpenVINO 导出器等。

社区贡献

版本说明末尾列出了 @harshaljanjani、@eustlb、@tarekziade、@ydshieh 等贡献者的主要改动。原文内容被截断，破坏性变更与修复条目的完整细节未全部呈现。