fix(mistral): fix top-k/top-p mask handling for PyTorch >=1.2

llm/src/llm/models/mistral/mistral.py

@@ -18,51 +18,6 @@ from torch import nn
 from typing import Optional
 
 
-#class RoPE(nn.Module):
-#
-#    def __init__(self, head_size: int, max_seq_len: int, base: int = 10_000):
-#        super().__init__()
-#        assert head_size % 2 == 0, "head_size должен быть четным"
-#
-#        # Вычисление частот: θ_i = base^(-2i/d) для i ∈ [0, d/2-1]
-#        freqs = 1.0 / (base ** (2 * torch.arange(head_size // 2).float() / head_size))
-#
-#        # Позиции от 0 до max_seq_len-1
-#        positions = torch.arange(max_seq_len).float()
-#
-#        # Внешнее произведение: m * θ_i для всех позиций и частот
-#        freq_matrix = positions.unsqueeze(1) * freqs.unsqueeze(0)
-#
-#        # Предвычисление матриц косинусов и синусов
-#        self.register_buffer("cos_matrix", torch.cos(freq_matrix))
-#        self.register_buffer("sin_matrix", torch.sin(freq_matrix))
-#
-#    def forward(self, x: torch.Tensor, start_pos: int = 0) -> torch.Tensor: # [batch_size × seq_len × head_size] [batch_size × num_heads × seq_len × head_size]
-#        batch_size, num_heads, seq_len, head_size = x.shape
-#
-#        # Берем нужную часть матриц и приводим к типу x
-#        cos = self.cos_matrix[start_pos:start_pos+seq_len].to(x.dtype)  # [seq_len, head_size//2]
-#        sin = self.sin_matrix[start_pos:start_pos+seq_len].to(x.dtype)  # [seq_len, head_size//2]
-#
-#        # Явное изменение формы для broadcasting
-#        cos = cos.reshape(1, 1, seq_len, head_size // 2)
-#        sin = sin.reshape(1, 1, seq_len, head_size // 2)
-#
-#        # Разделяем на четные и нечетные компоненты по ПОСЛЕДНЕМУ измерению
-#        x_even = x[..., 0::2]  # [batch_size, num_heads, seq_len, head_size//2]
-#        x_odd = x[..., 1::2]   # [batch_size, num_heads, seq_len, head_size//2]
-#
-#        # Применяем поворот: q' = q * cos(mθ) + rotate(q) * sin(mθ)
-#        x_rotated_even = x_even * cos - x_odd * sin
-#        x_rotated_odd = x_even * sin + x_odd * cos
-#
-#        # Объединяем обратно в исходную размерность
-#        x_rotated = torch.stack([x_rotated_even, x_rotated_odd], dim=-1)
-#        x_rotated = x_rotated.flatten(-2)  # [batch_size, seq_len, head_size]
-#
-#        return x_rotated
-
-
 import torch
 from torch import nn
 import torch.nn.functional as F
@@ -456,9 +411,9 @@ class Mistral(BaseModel):
                 vocab_size = logits_scaled.size(-1)
 
                 # создаём маску: 1, если токен НЕ в topk_indices
-                mask = torch.ones_like(logits_scaled, dtype=torch.uint8)
+                mask = torch.ones_like(logits_scaled, dtype=torch.bool if hasattr(torch, "bool") else torch.uint8)
-                mask.scatter_(1, topk_indices, 0)  # 0 там, где top-k индексы
+                mask.scatter_(1, topk_indices, False if hasattr(torch, "bool") else 0)  # 0 там, где top-k индексы
-                masked_logits[mask.byte()] = float('-inf')
+                masked_logits[mask.bool() if hasattr(torch, "bool") else mask.byte()] = float('-inf')
 
                 logits_scaled = masked_logits
 
@@ -470,12 +425,12 @@ class Mistral(BaseModel):
                 # 3. Посчитаем кумулятивную сумму вероятностей:
                 cum_probs = torch.cumsum(sorted_probs, dim=-1)  # [B, vocab_size]
                 # 4. Определим маску: оставить токены, пока сумма < top_p
-                sorted_mask = (cum_probs <= top_p).byte()  # [B, vocab_size]
+                sorted_mask = (cum_probs <= top_p).bool() if hasattr(torch, "bool") else  (cum_probs <= top_p).byte()  # [B, vocab_size]
                 # Гарантируем, что хотя бы первый токен останется
-                sorted_mask[:, 0] = 1
+                sorted_mask[:, 0] = True if hasattr(torch, "bool") else 1
                 # 5. Преобразуем маску обратно в оригинальный порядок:
                 # Создаём полную маску из 0
-                mask = torch.zeros_like(probs, dtype=torch.uint8)
+                mask = torch.zeros_like(probs, dtype=torch.bool if hasattr(torch, "bool") else torch.uint8)
                 # Устанавливаем 1 в местах нужных токенов
                 mask.scatter_(dim=1, index=sorted_indices, src=sorted_mask)
                 # 6. Зануляем логиты токенов вне топ-p: