TFBertModel调用方法末尾方括号的作用是什么？

我在代码中使用bert-base-cased预训练模型时，无法理解以下代码行末尾方括号[0]的作用：

input_ids = Input(shape=(max_len,), dtype=tf.int32, name="input_ids")
input_mask = Input(shape=(max_len,), dtype=tf.int32, name="attention_mask")
embeddings = bert(input_ids, attention_mask = input_mask)[0]

对应的模型声明代码如下：

from transformers import AutoTokenizer,TFBertModel
tokenizer = AutoTokenizer.from_pretrained('bert-base-cased')
bert = TFBertModel.from_pretrained('bert-base-cased')

我查阅Hugging Face文档时，发现TFBertForNextSentencePrediction的调用示例中也使用了类似写法，但未说明其作用：

>>> import tensorflow as tf
>>> from transformers import BertTokenizer, TFBertForNextSentencePrediction
>>> tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
>>> model = TFBertForNextSentencePrediction.from_pretrained('bert-base-uncased')
>>> prompt = "In Italy, pizza served in formal settings, such as at a restaurant, is presented unsliced."
>>> next_sentence = "The sky is blue due to the shorter wavelength of blue light."
>>> encoding = tokenizer(prompt, next_sentence, return_tensors='tf')
>>> logits = model(encoding['input_ids'], token_type_ids=encoding['token_type_ids'])[0]
>>> assert logits[0][0] < logits[0][1] # 下一句为随机无关内容

这里的[0]是用来提取模型返回元组中的第一个元素，也就是我们需要的核心输出部分。

Hugging Face的TensorFlow系列BERT模型（如TFBertModel、TFBertForNextSentencePrediction）在调用时，返回的是一个元组对象，里面封装了模型不同维度的输出结果：

• 针对TFBertModel：

  1. 元组第一个元素：last_hidden_state → 模型最后一层输出的所有token级嵌入，形状为(batch_size, sequence_length, hidden_size)，这正是你代码里要赋值给embeddings的序列级特征。
  2. 元组第二个元素：pooler_output → <[BOS_never_used_51bce0c785ca2f68081bfa7d91973934]>token经过全连接层和tanh激活后的句子级嵌入，形状为(batch_size, hidden_size)，常用于句子分类等任务。

• 针对TFBertForNextSentencePrediction：
  元组第一个元素是下一句预测任务的logits（原始分类输出），后续元素则包含序列嵌入、池化嵌入等额外输出（取决于配置）。

简单来说，[0]就是直接从模型返回的多结果元组中，取出我们当前任务需要的那一部分输出。如果不需要其他额外输出，只取第一个元素即可满足需求。

内容的提问来源于stack exchange，提问作者Majd