Fix minor text formatting in transformers (#47254)

AGENTS.md

@@ -1 +1 @@
-.ai/AGENTS.md
+.ai/AGENTS.md

CLAUDE.md

@@ -1 +1 @@
-.ai/AGENTS.md
+.ai/AGENTS.md

CONTRIBUTING.md

@@ -31,8 +31,8 @@ limitations under the License.
 
 We understand that code agents are extremely powerful tools, and many people at Hugging Face use them in their work.
 However, it's important to realize that **if you simply run a code agent
-and generate a PR to an open-source project, you are merely a middleman between the reviewers and the agent**. 
-Although doing this creates something that looks very much like a useful contribution, in reality there was no reason 
+and generate a PR to an open-source project, you are merely a middleman between the reviewers and the agent**.
+Although doing this creates something that looks very much like a useful contribution, in reality there was no reason
 for you to be involved; the reviewers could have simply run the code agent themselves.
 
 If you want to contribute usefully to open-source in the agent era, **you need to do things that agents can't do on
@@ -46,7 +46,7 @@ multi-line comments to draw attention to all the hard work they did. If your PR
 make it a 1-line fix. This makes the PR much easier to review and improves the chances that it will be accepted.
 - Take the time to reproduce the problem. Very often when a user reports an issue, the issue is actually caused by
 environment issues on their machine, or they misdiagnose the problem and suggest an invalid solution. Many code agents
-trust the user comments too much, which results in bad solutions, sometimes for problems that 
+trust the user comments too much, which results in bad solutions, sometimes for problems that
 do not exist! Writing a simple reproducer script and running it to make sure you see the problem is valuable.
 - Compare against other models. The Transformers repo is very large, and many models are doing similar things. When
 fixing a bug, it's valuable to see if the bug exists in other models. If your PR says
@@ -58,9 +58,9 @@ have time for small style changes or typo fixes in comments. You can provide val
 agent simply by having good taste about what's really important. Code agents often zero in on "theoretical bugs"
 found by code analysis that rarely if ever cause problems in practice. These are generally not worth fixing unless they
 can be exploited by an attacker.
-- Verify tests locally and in the CI. Before opening a PR, run `make fix-repo` and use `utils/tests_fetcher.py` to 
-see a list of tests that cover the files you have changed in your PR branch. Run those tests locally, and make sure 
-they pass before you open a PR. After you open your PR, please verify that the CI is green and fix any issues before 
+- Verify tests locally and in the CI. Before opening a PR, run `make fix-repo` and use `utils/tests_fetcher.py` to
+see a list of tests that cover the files you have changed in your PR branch. Run those tests locally, and make sure
+they pass before you open a PR. After you open your PR, please verify that the CI is green and fix any issues before
 pinging anyone for review! This reduces notification spam a lot, which keeps maintainers sane.
 
 </details>

awesome-transformers.md

@@ -598,7 +598,7 @@ Keywords: Active Learning, Research, Labeling
 
 [cleanlab](https://github.com/cleanlab/cleanlab) is the standard data-centric AI package for data quality and machine learning with messy, real-world data and labels. For text, image, tabular, audio (among others) datasets, you can use cleanlab to automatically: detect data issues (outliers, label errors, near duplicates, etc), train robust ML models, infer consensus + annotator-quality for multi-annotator data, suggest data to (re)label next (active learning).
 
-Keywords: Data-Centric AI, Data Quality, Noisy Labels, Outlier Detection, Active Learning  
+Keywords: Data-Centric AI, Data Quality, Noisy Labels, Outlier Detection, Active Learning
 
 ## [BentoML](https://github.com/bentoml/BentoML)
 

benchmark/config/generation.yaml

@@ -54,4 +54,4 @@ hydra:
       LOG_LEVEL: WARN
   sweep:
     dir: multirun
-    subdir: ${hydra.job.override_dirname}
+    subdir: ${hydra.job.override_dirname}

benchmark_v2/README.md

@@ -135,4 +135,4 @@ To add new benchmarks:
 1. Create a new file in `benches/`
 2. Implement the `ModelBenchmark` interface
 3. Add a runner function (`run_<benchmark_name>` or `run_benchmark`)
-4. run_benchmarks.py
+4. run_benchmarks.py

docker/README.md

@@ -1,9 +1,9 @@
 # Dockers for `transformers`
 
-In this folder you will find various docker files, and some subfolders. 
-- dockerfiles (ex: `consistency.dockerfile`) present under `~/docker` are used for our "fast" CIs. You should be able to use them for tasks that only need CPU. For example `torch-light` is a very light weights container (703MiB). 
+In this folder you will find various docker files, and some subfolders.
+- dockerfiles (ex: `consistency.dockerfile`) present under `~/docker` are used for our "fast" CIs. You should be able to use them for tasks that only need CPU. For example `torch-light` is a very light weights container (703MiB).
 - subfolders contain dockerfiles used for our `slow` CIs, which *can* be used for GPU tasks, but they are **BIG** as they were not specifically designed for a single model / single task. Thus the `~/docker/transformers-pytorch-gpu` includes additional dependencies to allow us to run ALL model tests (say `librosa` or `tesseract`, which you do not need to run LLMs)
 
-Note that in both case, you need to run `uv pip install -e .`, which should take around 5 seconds. We do it outside the dockerfile for the need of our CI: we checkout a new branch each time, and the `transformers` code is thus updated. 
+Note that in both case, you need to run `uv pip install -e .`, which should take around 5 seconds. We do it outside the dockerfile for the need of our CI: we checkout a new branch each time, and the `transformers` code is thus updated.
 
-We are open to contribution, and invite the community to create dockerfiles with potential arguments that properly choose extras depending on the model's dependencies! :hugs: 
+We are open to contribution, and invite the community to create dockerfiles with potential arguments that properly choose extras depending on the model's dependencies! :hugs:

docs/TRANSLATING.md

@@ -17,7 +17,7 @@ As part of our mission to democratize machine learning, we aim to make the Trans
     ```bash
     git clone https://github.com/YOUR-USERNAME/transformers.git
     ```
-   
+
    Replace `YOUR-USERNAME` with your GitHub username.
 
 ## Copy-paste the English version with a new language code

docs/source/ar/accelerate.md

@@ -117,4 +117,4 @@ accelerate launch train.py
 >>> notebook_launcher(training_function)
 ```
 
-للحصول على مزيد من المعلومات حول 🤗 Accelerate وميزاته الغنية، يرجى الرجوع إلى [الوثائق](https://huggingface.co/docs/accelerate).
+للحصول على مزيد من المعلومات حول 🤗 Accelerate وميزاته الغنية، يرجى الرجوع إلى [الوثائق](https://huggingface.co/docs/accelerate).

docs/source/ar/attention.md

@@ -1,4 +1,4 @@
-# آليات الانتباه 
+# آليات الانتباه
 
 تستخدم معظم نماذج المحول (Transformer) الانتباه الكامل بحيث تكون مصفوفة الانتباه ذات الأبعاد المتساوية. ويمكن أن يمثل ذلك عقبة حسابية كبيرة عندما تكون لديك نصوص طويلة. ويعد Longformer وReformer من النماذج التي تحاول أن تكون أكثر كفاءة وتستخدم نسخة مخففة من مصفوفة الانتباه لتسريع التدريب.
 
@@ -22,4 +22,4 @@
 
 ### الترميزات الموضعية المحورية
 
-يستخدم [Reformer](model_doc/reformer) ترميزات موضعية محورية: في نماذج المحول التقليدية، يكون الترميز الموضعي E مصفوفة بحجم \\(l\\) في \\(d\\)، حيث \\(l\\) هو طول التسلسل و\\(d\\) هو بعد الحالة المخفية. إذا كان لديك نصوص طويلة جدًا، فقد تكون هذه المصفوفة ضخمة وتستهلك مساحة كبيرة جدًا على وحدة معالجة الرسوميات (GPU). وللتخفيف من ذلك، تتكون الترميزات الموضعية المحورية من تحليل تلك المصفوفة الكبيرة E إلى مصفوفتين أصغر E1 وE2، بأبعاد \\(l_{1} \times d_{1}\\) و \\(l_{2} \times d_{2}\\)، بحيث \\(l_{1} \times l_{2} = l\\) و\\(d_{1} + d_{2} = d\\) (مع حاصل ضرب الأطوال، ينتهي الأمر بكونه أصغر بكثير). ويتم الحصول على الترميز للخطوة الزمنية \\(j\\) في E عن طريق ربط الترميزات للخطوة الزمنية \\(j \% l1\\) في E1 و \\(j // l1\\) في E2.
+يستخدم [Reformer](model_doc/reformer) ترميزات موضعية محورية: في نماذج المحول التقليدية، يكون الترميز الموضعي E مصفوفة بحجم \\(l\\) في \\(d\\)، حيث \\(l\\) هو طول التسلسل و\\(d\\) هو بعد الحالة المخفية. إذا كان لديك نصوص طويلة جدًا، فقد تكون هذه المصفوفة ضخمة وتستهلك مساحة كبيرة جدًا على وحدة معالجة الرسوميات (GPU). وللتخفيف من ذلك، تتكون الترميزات الموضعية المحورية من تحليل تلك المصفوفة الكبيرة E إلى مصفوفتين أصغر E1 وE2، بأبعاد \\(l_{1} \times d_{1}\\) و \\(l_{2} \times d_{2}\\)، بحيث \\(l_{1} \times l_{2} = l\\) و\\(d_{1} + d_{2} = d\\) (مع حاصل ضرب الأطوال، ينتهي الأمر بكونه أصغر بكثير). ويتم الحصول على الترميز للخطوة الزمنية \\(j\\) في E عن طريق ربط الترميزات للخطوة الزمنية \\(j \% l1\\) في E1 و \\(j // l1\\) في E2.

docs/source/ar/autoclass_tutorial.md

@@ -29,13 +29,13 @@
 ```py
 >>> sequence = "In a hole in the ground there lived a hobbit."
 >>> print(tokenizer(sequence))
-{'input_ids': [101, 1999, 1037, 4920, 1999, 1996, 2598, 2045, 2973, 1037, 7570, 10322, 4183, 1012, 102], 
- 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
+{'input_ids': [101, 1999, 1037, 4920, 1999, 1996, 2598, 2045, 2973, 1037, 7570, 10322, 4183, 1012, 102],
+ 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
  'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}
 ```
 
 ## معالج الصور التلقائي (AutoImageProcessor)
- 
+
 
 بالنسبة لمهمات الرؤية، يقوم معالج الصور بمعالجة الصورة إلى تنسيق الإدخال الصحيح.
 

docs/source/ar/bertology.md

@@ -15,4 +15,4 @@
 - الوصول إلى جميع أوزان الانتباه لكل رأس في BERT/GPT/GPT-2،
 - استرجاع قيم ومشتقات  مخرجات الرأس لحساب درجة أهمية الرأس وحذفه كما هو موضح في https://huggingface.co/papers/1905.10650.
 
-ولمساعدتك على فهم واستخدام هذه الميزات بسهولة، أضفنا مثالًا برمجيًا محددًا: [bertology.py](https://github.com/huggingface/transformers-research-projects/tree/main/bertology/run_bertology.py) أثناء استخراج المعلومات  وتقليص من نموذج تم تدريبه مسبقًا على GLUE.
+ولمساعدتك على فهم واستخدام هذه الميزات بسهولة، أضفنا مثالًا برمجيًا محددًا: [bertology.py](https://github.com/huggingface/transformers-research-projects/tree/main/bertology/run_bertology.py) أثناء استخراج المعلومات  وتقليص من نموذج تم تدريبه مسبقًا على GLUE.

docs/source/ar/chat_templating.md

@@ -257,7 +257,7 @@ def current_time():
 def multiply(a: float, b: float):
     """
     A function that multiplies two numbers
-    
+
     Args:
         a: The first number to multiply
         b: The second number to multiply
@@ -377,7 +377,7 @@ from transformers.utils import get_json_schema
 def multiply(a: float, b: float):
     """
     A function that multiplies two numbers
-    
+
     Args:
         a: The first number to multiply
         b: The second number to multiply
@@ -392,22 +392,22 @@ print(schema)
 
 ```json
 {
-  "type": "function", 
+  "type": "function",
   "function": {
-    "name": "multiply", 
-    "description": "A function that multiplies two numbers", 
+    "name": "multiply",
+    "description": "A function that multiplies two numbers",
     "parameters": {
-      "type": "object", 
+      "type": "object",
       "properties": {
         "a": {
-          "type": "number", 
+          "type": "number",
           "description": "The first number to multiply"
-        }, 
+        },
         "b": {
           "type": "number",
           "description": "The second number to multiply"
         }
-      }, 
+      },
       "required": ["a", "b"]
     }
   }
@@ -421,7 +421,7 @@ print(schema)
 ```python
 # A simple function that takes no arguments
 current_time = {
-  "type": "function", 
+  "type": "function",
   "function": {
     "name": "current_time",
     "description": "Get the current local time as a string.",
@@ -437,18 +437,18 @@ multiply = {
   'type': 'function',
   'function': {
     'name': 'multiply',
-    'description': 'A function that multiplies two numbers', 
+    'description': 'A function that multiplies two numbers',
     'parameters': {
-      'type': 'object', 
+      'type': 'object',
       'properties': {
         'a': {
           'type': 'number',
           'description': 'The first number to multiply'
-        }, 
+        },
         'b': {
           'type': 'number', 'description': 'The second number to multiply'
         }
-      }, 
+      },
       'required': ['a', 'b']
     }
   }
@@ -482,7 +482,7 @@ conversation = [
 # تعريف المستندات لتوليد قائم على الاسترجاع
 documents = [
     {
-        "title": "The Moon: Our Age-Old Foe", 
+        "title": "The Moon: Our Age-Old Foe",
         "text": "Man has always dreamed of destroying the moon. In this essay, I shall..."
     },
     {
@@ -544,7 +544,7 @@ if add_generation_prompt:
 - لكل رسالة، بطبع الدور مُحاطًا بـ `<|` و `|>`، مثل `<|user|>` أو `<|assistant|>`.
 - بعد ذلك، يطبع محتوى الرسالة، متبوعًا برمز نهاية التسلسل `eos_token` .
 - أخيرًا، إذا تم تعيين `add_generation_prompt` ، يطبع الرمز المساعد، حتى يعرف النموذج أنه يجب أن يبدأ في توليد استجابة المساعد.
-  
+
 هذا قالب بسيط جدًا، لكن Jinja تمنحك الكثير من المرونة للقيام بأشياء أكثر تعقيدًا! دعونا نرى قالب Jinja يُمكنه تنسيق المُدخلات بطريقة تُشبه الطريقة التي تُنسّق بها LLaMA مُدخلاتها (لاحظ أن قالب LLaMA الحقيقي يتضمن معالجة لرسائل النظام الافتراضية ومعالجة رسائل النظام بشكل مختلف قليلاً بشكل عام - لا تستخدم هذا القالب في التعليمات البرمجية الفعلية الخاصة بك!)
 ```
 {%- for message in messages %}
@@ -744,22 +744,22 @@ tokenizer.chat_template = open("template.jinja").read()
 
 ```json
 {
-  "type": "function", 
+  "type": "function",
   "function": {
-    "name": "multiply", 
-    "description": "دالة تضرب عددين", 
+    "name": "multiply",
+    "description": "دالة تضرب عددين",
     "parameters": {
-      "type": "object", 
+      "type": "object",
       "properties": {
         "a": {
-          "type": "number", 
+          "type": "number",
           "description": "الرقم الأول للضرب"
-        }, 
+        },
         "b": {
-          "type": "number", 
+          "type": "number",
           "description": "الرقم الثاني للضرب"
         }
-      }, 
+      },
       "required": ["a", "b"]
     }
   }