BERT/Transformer模型可以接受不同大小的输入批次。下面是一个使用PyTorch的代码示例，展示了如何处理不同大小的输入批次：

import torch
from transformers import BertModel, BertTokenizer

# 初始化BERT模型和分词器
model = BertModel.from_pretrained('bert-base-uncased')
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')

# 输入文本
text_list = ["Hello, how are you?", "I am doing great!"]

# 使用分词器对文本进行编码
input_ids = []
attention_masks = []
for text in text_list:
    encoded_dict = tokenizer.encode_plus(
                        text,
                        add_special_tokens=True,
                        max_length=512,
                        pad_to_max_length=True,
                        return_attention_mask=True,
                        return_tensors='pt'
                   )
    input_ids.append(encoded_dict['input_ids'])
    attention_masks.append(encoded_dict['attention_mask'])

# 将编码后的输入转换为张量
input_ids = torch.cat(input_ids, dim=0)
attention_masks = torch.cat(attention_masks, dim=0)

# 计算模型的输出
outputs = model(input_ids, attention_mask=attention_masks)

# 输出模型的结果
print(outputs)

在上面的代码中，我们首先使用BertTokenizer将输入文本编码为BERT模型可接受的输入。我们使用encode_plus方法对每个文本进行编码，并设置max_length参数来控制编码后的最大长度。然后，我们将编码后的输入转换为张量，并传入BERT模型进行计算。最后，我们可以获取模型的输出结果。

这个示例展示了如何处理具有不同长度的输入文本，并且能够处理多个文本一起计算的情况。BERT模型会自动对不同长度的输入进行处理，并生成相应的输出。