【Bug已解决】XLMRobertaTokenizer.initpasses dict to Unigram(vocab=...) expecting a Sequence 解决方案

一、现象长什么样

初始化XLMRobertaTokenizer（或其相关 tokenizer）时，报：

TypeError: Unigram.__init__() got a dict for vocab=..., expected a Sequence (list)

或：

AssertionError: vocab must be a list of strings, got dict

最迷惑的是：你"只是正常AutoTokenizer.from_pretrained("xlm-roberta-base")"就想加载，却炸在 tokenizer 的__init__里——说明问题不在你的代码，而在XLMRobertaTokenizer.__init__把参数传给底层的Unigram（SentencePiece 的 unigram 实现）时，类型传错了。

本质：XLMRobertaTokenizer底层用 SentencePiece 的Unigram，它的vocab参数期望一个Sequence（即 list/tuple of token 字符串）。但XLMRobertaTokenizer.__init__在构造时，把vocab当成了一个dict（比如{token: id}形式的映射，或把sp_model之外额外传的 vocab 字典）传给了Unigram(vocab=...)。Unigram 只接受 list，于是TypeError。

二、背景

SentencePiece 的Unigram模型在transformers里的接口大致是：

Unigram(vocab=list_of_tokens, ...)

vocab应该是一个token 字符串的列表（有序，索引即 id）。这是Sequence语义。

而XLMRobertaTokenizer的__init__在某些情况下（尤其是自定义构造、或从一个vocabdict 初始化而非从spm模型文件加载）会写出：

# 错误写法 Unigram(vocab=self.vocab, ...) # self.vocab 是 dict {token: id}

这里self.vocab是{token: id}字典（从vocab.json或某些转换路径得到），但Unigram要的是 list。于是类型错配。

常见触发场景：

• 你手动XLMRobertaTokenizer(vocab=some_dict)构造（而非from_pretrained）；
• 转换脚本把vocab.json（dict）直接喂给 tokenizer 构造；
• 某些版本里__init__的 vocab 处理逻辑把 list 和 dict 搞混。

下面用可运行代码复现"Unigram 收到 dict 而非 list 报错"。

三、根因

根因一句话：XLMRobertaTokenizer.__init__把vocab以 dict（{token: id}）形式传给了底层Unigram(vocab=...)，而Unigram的vocab参数期望Sequence（list of token 字符串），类型错配导致 TypeError。

三个具体失配：

1. vocab 类型错：dict 传给要 list 的Unigram。
2. dict→list 缺失：__init__没把{token:id}转成有序 token 列表。
3. 构造路径混淆：from_pretrained（走 spm 文件）正常，手动vocab=dict构造才触发。

四、最小可运行复现

用纯 Python 模拟"Unigram 期望 list，收到 dict 报错"：

from dataclasses import dataclass from typing import Sequence, Dict, List, Union class Unigram: def __init__(self, vocab: Sequence[str]): if not isinstance(vocab, (list, tuple)): raise TypeError( f"Unigram vocab 期望 Sequence(list)，收到 {type(vocab).__name__}" ) self.vocab = list(vocab) def xlm_roberta_init(vocab: Union[Dict, List]): """模拟 XLMRobertaTokenizer.__init__：直接把 vocab 传给 Unigram。""" return Unigram(vocab=vocab) def main(): vocab_dict = {"<s>": 0, "<pad>": 1, "a": 2} # dict 形式 try: xlm_roberta_init(vocab_dict) except TypeError as e: print("复现到报错:", e) # 修复：dict -> 按 id 排序的 token 列表 vocab_list = [t for t, _ in sorted(vocab_dict.items(), key=lambda kv: kv[1])] u = xlm_roberta_init(vocab_list) print("修复后 vocab 列表:", u.vocab) if __name__ == "__main__": main()

运行会先打印复现到报错: Unigram vocab 期望 Sequence(list)，收到 dict，再打印修复后的列表——正是 dict 误传的本质。

五、解决方案（第一层：最小直接修复）

最立竿见影的修复：在传给Unigram(vocab=...)之前，把 dict 形式的 vocab 转换成"按 id 排序的 token 字符串列表"（dict 的 key 是 token、value 是 id，转 list 时必须按 id 排序以保证索引=id）。**

from typing import Dict, List, Union def vocab_dict_to_list(vocab: Union[Dict[str, int], List[str]]) -> List[str]: """修复：dict {token: id} -> 按 id 升序的 token 列表。""" if isinstance(vocab, dict): return [t for t, _ in sorted(vocab.items(), key=lambda kv: kv[1])] return list(vocab) def build_unigram(vocab): from dataclasses import dataclass @dataclass class Unigram: vocab: list return Unigram(vocab=vocab_dict_to_list(vocab)) def main(): vocab = {"<s>": 0, "a": 2, "<pad>": 1} u = build_unigram(vocab) print("正确 vocab 列表(索引=id):", u.vocab) # ['<s>', '<pad>', 'a'] if __name__ == "__main__": main()

第一层修复让Unigram收到的永远是正确的 list，TypeError 消失，且索引与 id 对齐。

六、解决方案（第二层：结构性改进）

把"vocab 归一化为 Unigram 期望的 list"收口成一个VocabNormalizer，在XLMRobertaTokenizer.__init__构造Unigram前统一处理：dict→按 id 排序 list，list→原样，非法类型报错。

from dataclasses import dataclass from typing import Dict, List, Union @dataclass class VocabNormalizer: def to_unigram_vocab(self, vocab: Union[Dict[str, int], List[str]]) -> List[str]: if isinstance(vocab, dict): # 按 id 升序，保证 list 索引 == token id return [t for t, _ in sorted(vocab.items(), key=lambda kv: kv[1])] if isinstance(vocab, (list, tuple)): return list(vocab) raise TypeError(f"vocab 必须是 dict 或 list，收到 {type(vocab)}") def main(): n = VocabNormalizer() for raw in ({"<s>": 0, "a": 2}, ["<s>", "a"]): print("归一化:", n.to_unigram_vocab(raw)) if __name__ == "__main__": main()

第二层的关键是VocabNormalizer把"vocab 转 list"固化，并严格校验类型，后续任何Unigram(vocab=...)调用前都过它，杜绝 dict 误传。

七、解决方案（第三层：断言 / CI 守护）

加 pytest 守护：(1) dict vocab 被转成按 id 排序的 list；(2) list vocab 原样保留；(3) 非法类型必须被拒；(4) 转换后list[index]对应原 dict 的 id。

import pytest def to_list(vocab): if isinstance(vocab, dict): return [t for t, _ in sorted(vocab.items(), key=lambda kv: kv[1])] if isinstance(vocab, (list, tuple)): return list(vocab) raise TypeError("bad type") def test_dict_sorted_by_id(): out = to_list({"<s>": 0, "a": 2, "<pad>": 1}) assert out == ["<s>", "<pad>", "a"] def test_list_passthrough(): assert to_list(["x", "y"]) == ["x", "y"] def test_invalid_rejected(): with pytest.raises(TypeError): to_list(123) def test_index_matches_id(): d = {"<s>": 0, "a": 2, "<pad>": 1} out = to_list(d) assert out[0] == "<s>" and out[2] == "a" if __name__ == "__main__": pytest.main([__file__, "-q"])

CI 里test_dict_sorted_by_id+test_index_matches_id通过，就能保证 vocab dict 转 list 后索引与 id 对齐，杜绝Unigram收到 dict 的回归。

八、排查清单

XLMRobertaTokenizer.__init__报 vocab 类型错误时，按此顺序查：

1. 确认报错在 tokenizer 构造：stack 指向Unigram(vocab=...)收到 dict。
2. 检查你如何构造：是from_pretrained（通常走 spm 文件，正常）还是手动vocab=dict构造（触发）。
3. 第一层修复：手动构造时把{token:id}dict 转成按 id 排序的 token 列表再传。
4. 确认索引=id：转换后list[i]必须对应原 dict 里 id=i 的 token，否则词表全错。
5. 用 VocabNormalizer 兜底：构造Unigram前统一归一化。
6. 优先 from_pretrained：若可用，直接加载 spm 模型文件，绕开 vocab dict 构造路径。
7. 升级 transformers：部分版本已修正该__init__的 vocab 处理。

九、小结

XLMRobertaTokenizer.__init__把 dict 传给Unigram(vocab=...)期望 Sequence 而报错，根因不在 SentencePiece 坏，而在**XLMRobertaTokenizer底层用Unigram，其vocab要 list of token 字符串，但__init__在手动构造时把{token: id}字典直接传了进去，类型错配导致 TypeError**。正常from_pretrained（走 spm 文件）不受影响，手动vocab=dict构造才触发。

修复三层：第一层，构造Unigram前把 dict 转成"按 id 排序的 token 列表"（保证 list 索引=token id）；第二层用VocabNormalizer把"dict→list、list→原样、非法报错"固化；第三层用 pytest 断言"dict 按 id 排序转 list、索引与 id 对齐"。记住：Unigram的 vocab 是 list 不是 dict；手动构造时把{token:id}按 id 排成列表，索引才对得上。