モデル・開発
Transformers v5.21.0を公開
原題: Release v5.21.0
文書理解、音声生成、Flintなどに対応
Hugging Faceは2026年10月27日03:17 JST、Transformers v5.21.0を正式公開しました。
MiniCPM-OCRのmodel supportを追加し、scan、screenshot、receipt、tableなど文字量の多い画像を扱えるようにしました。
Recursiveのmixture-of-experts言語model Flintへ対応しました。
Flintはsliding-window attentionとfull attentionを組み合わせ、256 expertから6つを選ぶ構成です。
視覚文書理解と検索向けのUltraVBertにも対応しました。
UltraVBertはpageをtileとglobal viewへ分割し、画像情報をtext encoderへ接続します。
端末上の音声生成向けGradium Phonon TTSとPocket TTSを追加しました。
Pocket TTSは100M parameterで、CPU上のreal-timeより速い生成を想定しています。
音声promptからのvoice clone、事前計算済みlatent、cache済みKV stateを使う構成に対応します。
Pocket TTS用のcontinuous audio tokenizerもmodel classとして追加されています。
今回の更新は新modelそのものの発表ではなく、Transformersから既存modelを読み込み、推論するための正式対応追加です。