T5Gemma fails on MPS: incorrect beam expansion with padded batches
Los mantenedores suelen responder en 1 día
Evaluación
- Dificultad
- 4/5
- Tiempo estimado
- 3-5 días
- Aptitud para principiantes
- 30/100
- Tipo de issue
- Error
- Claridad
- Bastante claro
- Estado de actividad
- Activo
- Área
- machine-learning
Línea de trabajo
Start from MultiHeadAttention::forward_merged, where the payload says beam size is inferred from memory->dim(0) after padding removal; trace how the padded batch is restored before encoder keys/values are expanded for beam search. Reproduce with the given script on an MPS device to confirm the LLDB shapes (decoder [16, 4, 1, 256] vs encoder [8, 4, 348, 256]) at the concatenation. Done when beam size comes from the restored encoder key tensor's batch dimension and a regression test covers a variable-length batch with beam_size=2.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
T5Gemma generation fails with PyPI CTranslate2 4.9.0:
RuntimeError: MPS pointer is not backed by a registered Metal buffer
Observed in CI and reproduced on an M4 Pro running macOS 15.7.7.
Reproduction
pip install ctranslate2==4.9.0 transformers==5.22.2 \
torch==2.15.0 datasets==5.1.0 sentencepiece==0.2.3
from pathlib import Path
import ctranslate2
from datasets import load_dataset
from transformers import AutoTokenizer
model = "jordimas/t5gemma-2-270m-270m"
revision = "dfb6d0d619d8e6d42f279a6197abb90dec0137c1"
output_dir = "t5gemma-ct2-float32"
if not Path(output_dir).exists():
ctranslate2.converters.TransformersConverter(
model, revision=revision
).convert(output_dir, quantization="float32")
tokenizer = AutoTokenizer.from_pretrained(model, revision=revision)
samples = load_dataset(
"rajpurkar/squad",
split="validation",
revision="7b6d24c440a36b6815f21b70d25016731768db1f",
).shuffle(seed=42).select(range(8))
inputs = [
tokenizer.convert_ids_to_tokens(tokenizer.encode(
f"Context: {s['context']} Question: {s['question']} Answer:",
truncation=True, max_length=512,
))
for s in samples
]
translator = ctranslate2.Translator(
output_dir, device="mps", compute_type="float32",
intra_threads=2, inter_threads=1,
)
translator.translate_batch(
inputs, beam_size=2, sampling_topk=1,
max_decoding_length=64, max_batch_size=8,
)
Cause and suggested fix
On the first decoding step, MultiHeadAttention::forward_merged infers beam size from memory->dim(0). After padding removal, this dimension counts packed tokens rather than examples, so encoder keys/values are not expanded for beam search.
LLDB confirmed mismatched shapes at concatenation:
- Decoder keys:
[16, 4, 1, 256] - Encoder keys:
[8, 4, 348, 256]
Metal concatenation consequently requests more bytes than the encoder buffer contains.
Infer beam size from the restored encoder key tensor's batch dimension before expansion. Add regression coverage for variable-length batches with beam_size=2.
- Lenguaje dominante
- C++
- Estrellas
- 4.8k
- Forks
- 557
- Merge medio
- 1 d 6 h
- PR fusionados (30 d)
- 24
Preparar el entorno
- Sin Dockerfile ni archivo de Docker Compose
- Sin plantilla de pull request
- Leer la guía de contribución
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de OpenNMT/CTranslate2
-
MPS: GPT-2 produces NaN logits and invalid token IDsPosiblemente ocupada @TBO22 la tomó hoy. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 70/100
OpenNMT/CTranslate2#2154 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
Allow no-timestamp Whisper decoding beyond 224 tokensPosiblemente ocupada @Emre-Akgul la tomó hace 127 días. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
OpenNMT/CTranslate2#2074 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 5/5 Más de una semana Aptitud para principiantes 8/100
OpenNMT/CTranslate2#2152 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
Dificultad 3/5 1-2 días Aptitud para principiantes 55/100
OpenNMT/CTranslate2#2149 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 5/5 Más de una semana Aptitud para principiantes 35/100
OpenNMT/CTranslate2#2105 ·
Los mantenedores suelen responder en 1 día
Todos los issues de OpenNMT/CTranslate2
Issues similares
-
Documentation: Fix parameter markup, legacy branch link, and phrasing in Detachable Joints and Model Command tutorialsPosiblemente ocupada @patelshivani2283-lab la tomó hoy. Abierto
Dificultad 1/5 1-3 horas Aptitud para principiantes 88/100
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 68/100
Los mantenedores suelen responder en 1 día
-
bug
Dificultad 2/5 1-3 horas Aptitud para principiantes 82/100
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 75/100
Niko1221/Strata#6071 · 2 comentarios ·
Los mantenedores suelen responder en 4 días
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
KhronosGroup/Vulkan-Tutorial#551 ·
Los mantenedores suelen responder en 1 día