Hugging Face Transformers v5.12.0发布：新增MiniMax-M3-VL、PP-OCRv6与Parakeet-RNNT模型支持
该版本由社区贡献者推动，主要扩充了多模态视觉语言模型、轻量级OCR系统和语音识别模型，并包含多项bug修复与CI改进。
Hugging Face于近日发布Transformers库v5.12.0，主要新增了三个模型的支持，并修复多项bug。
MiniMax-M3-VL是MiniMax-M3家族中的视觉语言模型，将CLIP风格的视觉塔与 3D旋转位置编码结合到MiniMax-M3文本骨干上。它采用混合密集/稀疏混合专家（MoE）解码器，使用SwiGLU-OAI门控专家和用于块稀疏注意力的lightning indexer。图像通过Conv3d补丁嵌入系统处理，并包含专门组件以实现高效的多模态理解和生成。该模型由 @ArthurZucker在PR #46600 中贡献。
PP-OCRv6的官方权重已发布，这是一个轻量级OCR系统，结合了架构创新和数据为中心的优化。它围绕统一的MetaFormer风格构建块（含结构化重参数化）重新设计了骨干、检测颈和识别颈。提供medium、small、tiny三种模型规格，共享相同的基础块，覆盖从服务器到边缘的部署场景。该更新由 @zhang-prog在PR #46576 中完成。
ParakeetForRNNT模型新增支持，采用Fast Conformer编码器加RNN-T解码器的结构：LSTM预测网络维持token预测间的语言上下文，联合网络结合编码器与解码器输出，推理时使用贪心transducer解码（空白符号使编码器帧前进一格，非空白符号停留在当前帧）。该模型由 @eustlb在PR #46331 中贡献。