File size: 25,854 Bytes
d251895
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
import copy

import numpy as np
import torch
import torch.utils.checkpoint
from peft.mapping import get_peft_model
from peft.peft_model import PeftModel
from peft.tuners.lora import LoraConfig
from torch import nn
from torch.nn import CrossEntropyLoss
from transformers import AutoConfig, AutoTokenizer
from transformers.generation.streamers import BaseStreamer
from transformers.modeling_outputs import (
    BaseModelOutputWithPast,
    CausalLMOutputWithPast,
)
from transformers.utils import (
    replace_return_docstrings,
)

from designvlm.crello_dataset import int_wrap
from designvlm.loading import LoraArguments
from yosematvlm.configuration_internlm_xcomposer2 import InternLMXcomposer2Config
from yosematvlm.modeling_internlm_xcomposer2 import (
    FROM_TOKEN_2,
    InternLMXComposer2ForCausalLM,
)

IM_END_TOKEN = 92542
EOS = 2  # </s>
SWITCH_TOKEN_LENGTH = 6  # after <|im_end|>, there are 5 additional tokens ['\n', '<|im_start|>', 'ass', 'istant', '\n']. You don't want the model to learn these tokens.
MASK_ID = -100


class IXCLayoutConfig(InternLMXcomposer2Config):
    def __init__(
        self,
        vocab_size=103168,
        hidden_size=4096,
        intermediate_size=11008,
        num_hidden_layers=32,
        num_attention_heads=32,
        num_key_value_heads=None,
        hidden_act="silu",
        max_position_embeddings=2048,
        initializer_range=0.02,
        rms_norm_eps=1e-6,
        use_cache=True,
        pad_token_id=0,
        bos_token_id=1,
        eos_token_id=2,
        tie_word_embeddings=False,
        bias=True,
        rope_theta=10000,
        rope_scaling=None,
        attn_implementation="flash_attention_2",
        max_length: int = 16384,
        discrete_coordinate_tokens: int | None = None,
        **kwargs,
    ):
        self.discrete_coordinate_tokens = discrete_coordinate_tokens
        super().__init__(
            vocab_size=vocab_size,
            hidden_size=hidden_size,
            intermediate_size=intermediate_size,
            num_hidden_layers=num_hidden_layers,
            num_attention_heads=num_attention_heads,
            num_key_value_heads=num_key_value_heads,
            hidden_act=hidden_act,
            max_position_embeddings=max_position_embeddings,
            initializer_range=initializer_range,
            rms_norm_eps=rms_norm_eps,
            use_cache=use_cache,
            pad_token_id=pad_token_id,
            bos_token_id=bos_token_id,
            eos_token_id=eos_token_id,
            tie_word_embeddings=tie_word_embeddings,
            bias=bias,
            rope_theta=rope_theta,
            rope_scaling=rope_scaling,
            attn_implementation=attn_implementation,
            **kwargs,
        )
        self.max_length = max_length
        self.use_cache = False

    @classmethod
    def with_internlm_config(
        cls,
        config: InternLMXcomposer2Config,
        discrete_custom_tokens: int | None = None,
        max_length: int = 16384,
    ):
        return cls(
            vocab_size=config.vocab_size,
            hidden_size=config.hidden_size,
            intermediate_size=config.intermediate_size,
            num_hidden_layers=config.num_hidden_layers,
            num_attention_heads=config.num_attention_heads,
            num_key_value_heads=config.num_key_value_heads,
            hidden_act=config.hidden_act,
            max_position_embeddings=config.max_position_embeddings,
            initializer_range=config.initializer_range,
            rms_norm_eps=config.rms_norm_eps,
            use_cache=config.use_cache,
            pad_token_id=config.pad_token_id,
            bos_token_id=config.bos_token_id,
            eos_token_id=config.eos_token_id,
            tie_word_embeddings=config.tie_word_embeddings,
            bias=config.bias,
            rope_theta=config.rope_theta,
            rope_scaling=config.rope_scaling,
            attn_implementation=config.attn_implementation,
            discrete_coordinate_tokens=discrete_custom_tokens,
            max_length=max_length,
        )


class IXCLayout(InternLMXComposer2ForCausalLM):
    config_class = IXCLayoutConfig

    def __init__(self, config: IXCLayoutConfig):
        super().__init__(config)

        self.vit.vision_tower.vision_model.post_layernorm = torch.nn.Identity()
        self.tokenizer = AutoTokenizer.from_pretrained(
            "yosematvlm",
            padding_side="right",
            use_fast=False,
            trust_remote_code=True,
        )  # type: ignore

        # Add coordinate tokens
        self.coordinate_token_ids: set[int] = set()
        if config.discrete_coordinate_tokens is not None:
            self.add_coordinate_tokens(config.discrete_coordinate_tokens)
        self.config = config

    @replace_return_docstrings(
        output_type=CausalLMOutputWithPast, config_class=InternLMXcomposer2Config
    )
    def forward(
        self,
        input_ids: torch.LongTensor | None = None,
        attention_mask: torch.Tensor | None = None,
        position_ids: torch.LongTensor | None = None,
        past_key_values: list[torch.FloatTensor] | None = None,
        inputs_embeds: torch.FloatTensor | None = None,
        labels: torch.LongTensor | None = None,
        use_cache: bool | None = None,
        output_attentions: bool | None = None,
        output_hidden_states: bool | None = None,
        return_dict: bool | None = None,
        **kwargs,
    ) -> CausalLMOutputWithPast:
        r"""
        Args:
            labels (`torch.LongTensor` of shape `(batch_size, sequence_length)`, *optional*):
                Labels for computing the masked language modeling loss. Indices should either be in `[0, ...,
                config.vocab_size]` or -100 (see `input_ids` docstring). Tokens with indices set to `-100` are ignored
                (masked), the loss is only computed for the tokens with labels in `[0, ..., config.vocab_size]`.
        Returns:
        """
        infer_mode = "base"
        return_dict, output_attentions, output_hidden_states = self.or_config(
            return_dict=return_dict,
            output_attentions=output_attentions,
            output_hidden_states=output_hidden_states,
        )
        if "samples" in kwargs:
            # Training
            samples = kwargs["samples"]
            # encode text
            text = samples["text_input"]
            # encode image
            image = samples["image"][0]
            bs = len(samples["text_input"][0])
            image_nums = []
            temp_image = []
            for im in image:
                if type(im) is list:
                    image_nums.append(len(im))
                    temp_image.extend(im)
                else:
                    image_nums.append(1)
                    temp_image.append(im)
            image = temp_image
            assert type(image) is list and len(image_nums) == bs

            to_regress_embeds, attention_mask, targets, im_mask = self.interleav_wrap(
                image, text, image_nums
            )

            inputs_embeds = to_regress_embeds[:, : self.max_length]  # type: ignore
            attention_mask = attention_mask[:, : self.max_length]  # type: ignore
            targets = targets[:, : self.max_length]
            im_mask = im_mask[:, : self.max_length].bool()
            labels = targets  # type: ignore

        elif inputs_embeds is not None or input_ids is not None:
            im_mask = kwargs["im_mask"]
            if im_mask is None and inputs_embeds is not None:
                im_mask = torch.zeros(inputs_embeds.shape[:2]).to(inputs_embeds.device)
                im_mask = im_mask.bool()
        else:
            raise ValueError(
                "Either samples, inputs_embeds or input_ids should be provided."
            )

        # decoder outputs consists of (dec_features, layer_state, dec_hidden, dec_attn)
        outputs: BaseModelOutputWithPast = self.model(
            input_ids=input_ids,
            attention_mask=attention_mask,
            position_ids=position_ids,
            past_key_values=past_key_values,
            inputs_embeds=inputs_embeds,
            use_cache=use_cache,
            output_attentions=output_attentions,
            output_hidden_states=output_hidden_states,
            return_dict=True,
            im_mask=im_mask,
            infer_mode=infer_mode,
        )
        logits: torch.Tensor = self.output(
            outputs.last_hidden_state
        ).float()  # B x L x V

        if labels is not None:
            # Shift so that tokens < n predict n
            shift_logits = logits[..., :-1, :].contiguous()
            shift_labels = labels[..., 1:].contiguous()
            # Flatten the tokens
            loss_fct = CrossEntropyLoss()
            shift_logits = shift_logits.view(-1, self.vocab_size)
            shift_labels = shift_labels.view(-1)
            # Enable model parallelism
            shift_labels = shift_labels.to(shift_logits.device)
            ce_loss: torch.Tensor = loss_fct(shift_logits, shift_labels)
            assert not ce_loss.isnan().any()
            kl_loss = self.coordinate_kl_loss(logits, labels)
            assert not kl_loss.isnan().any()
            loss = ce_loss + kl_loss

        else:
            loss = None
        return_dict = (
            return_dict if return_dict is not None else self.config.use_return_dict
        )

        if not return_dict:
            output = (logits,) + outputs[1:]
            return (ce_loss,) + output if ce_loss is not None else output

        return CausalLMOutputWithPast(
            loss=loss,  # type: ignore
            logits=logits,  # type: ignore
            past_key_values=outputs.past_key_values,
            hidden_states=outputs.hidden_states,
            attentions=outputs.attentions,
        )

    def coordinate_kl_loss(
        self, logits: torch.Tensor, labels: torch.Tensor, eps: float = 1e-9
    ) -> torch.Tensor:
        """
        For coordinate token, calculate the KL loss between the predicted logits and the target labels.
        Instead of one-hot vector, we assume that the target labels are the probability distribution of the target token.
        The distribution is a discrete gaussian distribution with mean at the target token and variance of 1.

        Args:
            logits: B x T x V; The predicted logits of the model.
            labels: B x T; The target labels of the model.
        """
        label_std_dev = 2.0
        coordinate_token_ids = torch.tensor(
            list(self.coordinate_token_ids), device=labels.device, dtype=labels.dtype
        )
        assert len(self.coordinate_token_ids) > 0
        # Get the mask of the coordinate tokens
        is_label_coordinate = torch.isin(
            labels,
            coordinate_token_ids,
        ).type_as(labels)  # B x T
        # Get the target labels of the coordinate tokens
        # Range of indices
        indices = torch.arange(
            0, self.vocab_size, dtype=labels.dtype, device=logits.device
        ).repeat(labels.shape[0], labels.shape[1], 1)  # B x T x V

        # Indices that are not coordinate tokens are set to 0
        # To reduce memory consumption, we iterate over the sequence length
        is_indice_coordinate_token = torch.stack(
            [
                torch.isin(indices[:, idx], coordinate_token_ids)
                for idx in range(indices.size(1))
            ],
            dim=1,
        )  # B x T x V

        total_mask = is_label_coordinate.unsqueeze(-1) * is_indice_coordinate_token

        # Create a Gaussian distribution centered at the label index
        gauss_label = torch.exp(
            -0.5 * ((indices - labels.unsqueeze(-1)) / label_std_dev) ** 2
        )  # B x T x V

        # Apply the mask so that only the coordinate tokens are considered
        gauss_label = gauss_label * total_mask + eps  # Add eps for numerical stability

        # Normalize the distribution
        gauss_label /= gauss_label.sum(dim=-1, keepdim=True)

        pointwise_kl = (
            nn.functional.kl_div(
                logits.log_softmax(dim=-1), gauss_label, reduction="none"
            ).nan_to_num()
            * total_mask
        )
        kl_loss = pointwise_kl.sum(-1).mean()
        assert kl_loss > 0
        return kl_loss

    def interleav_wrap(
        self,
        img_list: list[torch.Tensor],  # V x 1 x 3 x H x W
        text_list_list: list[list[str]],  # B x 1 x str
        image_nums: list[int],  # B
    ):
        temp_embeds = []
        temp_im_mask = []
        temp_tars = []

        # encode_image
        if len(img_list) > 0:
            img_embeds, img_split = self.vit(
                img_list, self.plora_glb_GN, self.plora_sub_GN
            )
            img_embeds = self.vision_proj(img_embeds)
        else:
            img_embeds = None
            img_split = []

        text_list = text_list_list[0]
        for idx, text in enumerate(text_list):
            image_num = image_nums[idx]
            im_id = int(np.sum(image_nums[:idx]))
            images = []
            for i in range(image_nums[idx]):
                st = int(np.sum(img_split[: im_id + i]))
                sp = img_split[im_id + i]
                temp_img = img_embeds[:, st : st + sp]  # type: ignore
                images.append(temp_img)

            if image_num == 1 and text.find("<ImageHere>") == -1:
                text = "<ImageHere>" + text
            parts = text.split("<ImageHere>")

            wrap_tokens, wrap_embeds, wrap_im_mask = [], [], []
            temp_len = 0
            need_bos = True
            for idx, part in enumerate(parts):
                if len(part) > 0:
                    part_tokens = self.tokenizer(
                        part,
                        return_tensors="pt",
                        padding="longest",
                        add_special_tokens=need_bos,
                    ).to(self.device)  # type: ignore
                    if need_bos:
                        need_bos = False
                    wrap_tokens.append(part_tokens.input_ids)
                    part_embeds = self.model.tok_embeddings(part_tokens.input_ids)
                    wrap_embeds.append(part_embeds)
                    wrap_im_mask.append(
                        torch.zeros(part_embeds.shape[:2]).to(self.device)
                    )
                    temp_len += part_embeds.shape[1]
                if idx < image_num:
                    wrap_embeds.append(images[idx])
                    wrap_token = (
                        torch.ones(images[idx].shape[:2], dtype=torch.long).to(
                            self.device
                        )
                        * -100
                    )
                    wrap_tokens.append(wrap_token)
                    wrap_im_mask.append(
                        torch.ones(images[idx].shape[:2]).to(self.device)
                    )
                    temp_len += images[idx].shape[1]
                if temp_len > self.max_length:
                    break
            wrap_tokens = torch.cat(wrap_tokens, dim=1)
            wrap_embeds = torch.cat(wrap_embeds, dim=1)
            wrap_im_mask = torch.cat(wrap_im_mask, dim=1)

            wrap_target = self.mask_human_targets(wrap_tokens).to(self.device)

            temp_embeds.append(wrap_embeds)
            temp_im_mask.append(wrap_im_mask)
            temp_tars.append(wrap_target)

        temp_max_len = np.max([i.shape[1] for i in temp_embeds])
        temp_max_len = min(temp_max_len, self.max_length)

        final_input, final_atts, final_tars, final_mask = [], [], [], []
        pad = torch.ones([1, 1]) * self.tokenizer.pad_token_id  # type: ignore
        pad = pad.long().to(self.device)
        pad_emb = self.model.tok_embeddings(pad)

        for idx in range(len(temp_embeds)):
            temp_len = temp_embeds[idx].shape[1]
            if temp_len >= temp_max_len:
                final_input.append(temp_embeds[idx][:, :temp_max_len])
                final_atts.append(
                    torch.ones(1, temp_max_len).to(wrap_target.dtype).to(self.device)
                )
                final_tars.append(temp_tars[idx][:, :temp_max_len])
                final_mask.append(temp_im_mask[idx][:, :temp_max_len])
            else:
                final_input.append(
                    torch.cat(
                        [
                            temp_embeds[idx],
                            pad_emb.repeat(1, temp_max_len - temp_len, 1),
                        ],
                        dim=1,
                    )
                )
                final_atts.append(
                    torch.cat(
                        [
                            torch.ones(1, temp_len),
                            torch.zeros(1, temp_max_len - temp_len),
                        ],
                        dim=1,
                    )
                    .to(wrap_target.dtype)
                    .to(self.device)
                )
                final_tars.append(
                    torch.cat(
                        [
                            temp_tars[idx],
                            (torch.ones(1, temp_max_len - temp_len) * MASK_ID)
                            .to(wrap_target.dtype)
                            .to(self.device),
                        ],
                        dim=1,
                    )
                )
                final_mask.append(
                    torch.cat(
                        [
                            temp_im_mask[idx],
                            (torch.zeros(1, temp_max_len - temp_len))
                            .to(wrap_target.dtype)
                            .to(self.device),
                        ],
                        dim=1,
                    )
                )

        inputs_embeds = torch.cat(final_input, dim=0)
        attention_mask = torch.cat(final_atts, dim=0)
        targets = torch.cat(final_tars, dim=0)
        im_mask = torch.cat(final_mask, dim=0)

        return inputs_embeds, attention_mask, targets, im_mask

    def mask_human_targets(self, input_ids: torch.Tensor) -> torch.Tensor:
        target_batch = []
        for bs in range(input_ids.shape[0]):
            ids = input_ids[bs]
            targets = copy.deepcopy(ids)
            end_count = 0
            last_eoa = 0
            for i, temp_id in enumerate(ids):
                # Counterintuitively, IM_END_TOKEN is the token for the end of utterance
                # In the whole source code, "[UNUSED_TOKEN_145]" corresponds to IM_END_TOKEN
                if temp_id == IM_END_TOKEN:
                    if end_count % 2 == 0:
                        targets[last_eoa : i + SWITCH_TOKEN_LENGTH] = MASK_ID
                    else:
                        last_eoa = i + 1
                    end_count += 1
                # # eos and following pad
                elif temp_id == EOS:
                    # loss on eos, but not on pad
                    targets[i + 1 :] = MASK_ID
                    break
            target_batch.append(targets.unsqueeze(0))
        target_batch = torch.cat(target_batch, dim=0)
        return target_batch

    @classmethod
    def from_ixc_pretrained(
        cls,
        ixc_pretrained_model_name_or_path: str,
        max_length: int,
        img_size: int,
        discrete_custom_tokens: int | None = 128,
    ) -> torch.nn.Module:
        r"""
        Instantiate a pretrained InternLMXComposer2 model from a pre-trained model configuration.
        """
        config: IXCLayoutConfig = AutoConfig.from_pretrained(
            ixc_pretrained_model_name_or_path,
            trust_remote_code=True,
        )
        config = IXCLayoutConfig.with_internlm_config(
            config,
            max_length=max_length,
            discrete_custom_tokens=discrete_custom_tokens,
        )

        model: IXCLayout = super().from_pretrained(
            ixc_pretrained_model_name_or_path,
            config=config,
            torch_dtype=torch.bfloat16,
        )  # type: ignore
        if img_size != 336:
            model.vit.resize_pos()
        model.vit.requires_grad_(False)
        model.vision_proj.requires_grad_(True)

        return model

    def or_config(
        self,
        return_dict: bool | None,
        output_attentions: bool | None,
        output_hidden_states: bool | None,
    ):
        output_attentions = (
            output_attentions
            if output_attentions is not None
            else self.config.output_attentions
        )
        output_hidden_states = (
            output_hidden_states
            if output_hidden_states is not None
            else self.config.output_hidden_states
        )
        return_dict = (
            return_dict if return_dict is not None else self.config.use_return_dict
        )
        return return_dict, output_attentions, output_hidden_states

    @torch.no_grad()
    def chat(
        self,
        query: str,
        image: list[tuple[str, str]] | torch.Tensor = [],
        hd_num: int = 24,
        history: list[tuple[str, str]] = [],
        streamer: BaseStreamer | None = None,
        max_new_tokens: int = 1024,
        do_sample: bool = True,
        num_beams: int = 1,
        temperature: float = 1.0,
        top_p: float = 0.8,
        repetition_penalty: float = 1.005,
        infer_mode: str = "base",
        use_meta: bool = False,
        meta_instruction: str = "You are an AI assistant whose name is InternLM-XComposer (浦语·灵笔).\n"
        "- InternLM-XComposer (浦语·灵笔) is a multi-modality conversational language model that is developed by Shanghai AI Laboratory (上海人工智能实验室). It is designed to be helpful, honest, and harmless.\n"
        "- InternLM-XComposer (浦语·灵笔) can understand and communicate fluently in the language chosen by the user such as English and 中文.\n"
        "- InternLM-XComposer (浦语·灵笔) is capable of comprehending and articulating responses effectively based on the provided image.",
        **kwargs,
    ):
        if not use_meta:
            meta_instruction = ""

        inputs, im_mask, _ = self.interleav_wrap_chat(
            query,
            image,
            history=history,
            meta_instruction=meta_instruction,
            hd_num=hd_num,
        )
        inputs = {k: v.to(self.device) for k, v in inputs.items() if torch.is_tensor(v)}
        # also add end-of-assistant token in eos token id to avoid unnecessary generation
        eos_token_id = [
            self.tokenizer.eos_token_id,
            self.tokenizer.convert_tokens_to_ids([FROM_TOKEN_2])[0],  # type: ignore
        ]
        outputs = self.generate(
            **inputs,
            streamer=streamer,
            max_new_tokens=max_new_tokens,
            num_beams=num_beams,
            do_sample=do_sample,
            temperature=temperature,
            top_p=top_p,
            eos_token_id=eos_token_id,
            repetition_penalty=repetition_penalty,
            im_mask=im_mask,
            infer_mode=infer_mode,
            **kwargs,
        )
        outputs = outputs[0].cpu().tolist()
        response = self.tokenizer.decode(outputs, skip_special_tokens=True)
        response = response.split(FROM_TOKEN_2)[0]
        history = history + [(query, response)]
        return response, history

    def add_coordinate_tokens(self, bins: int):
        start = -bins
        end = bins * 2
        new_tokens = [int_wrap(idx) for idx in range(start, end + 1)]
        new_token_ids = self._add_tokens(new_tokens)
        self.coordinate_token_ids.update(new_token_ids)
        self.config.discrete_coordinate_tokens = end // 2

    def _add_tokens(self, new_tokens: list[str]) -> list[int]:
        prev_vocab_size = len(self.tokenizer)
        vocab = self.tokenizer.get_vocab()
        new_tokens = [token for token in new_tokens if token not in vocab]
        self.tokenizer.add_tokens(new_tokens)  # type: ignore
        self.model.resize_token_embeddings(len(self.tokenizer))
        self.vocab_size = len(self.tokenizer)

        # self.output needs to be resized accordingly but without loosing the weight
        new_output = nn.Linear(
            self.model.config.hidden_size,
            self.vocab_size,
            bias=False,
            dtype=self.output.weight.dtype,
            device=self.output.weight.device,
        ).to(self.device)
        new_output.weight.data[: self.output.weight.shape[0]] = self.output.weight.data
        self.output = new_output
        return list(range(prev_vocab_size, self.vocab_size))


def setup_ixclayout(
    model_name_or_path: str,
    max_length: int,
    img_size: int,
    use_lora: bool,
    gradient_checkpointing: bool,
    discrete_custom_tokens: int | None = 128,
) -> IXCLayout | PeftModel:
    model = IXCLayout.from_ixc_pretrained(
        ixc_pretrained_model_name_or_path=model_name_or_path,
        max_length=max_length,
        img_size=img_size,
        discrete_custom_tokens=discrete_custom_tokens,
    )
    if use_lora:
        lora_args = LoraArguments()
        lora_config = LoraConfig(
            r=lora_args.lora_r,
            lora_alpha=lora_args.lora_alpha,
            target_modules=lora_args.lora_target_modules,
            lora_dropout=lora_args.lora_dropout,
            bias=lora_args.lora_bias,
            task_type="CAUSAL_LM",  # type: ignore
        )

        model = get_peft_model(model, lora_config)  # type: ignore
        model.print_trainable_parameters()

        if gradient_checkpointing:
            model.enable_input_require_grads()
            model.vit.vision_tower.gradient_checkpointing_enable(
                {"use_reentrant": True}
            )

    return model  # type: ignore