Transformers documentation

GLM-5, GLM-5.1, GLM-5.2, GLM-5.3

Transformers

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

Model ini dipublikasikan di HF papers pada 2026-02-17 dan disumbangkan ke Hugging Face Transformers pada 2026-02-09.

GLM-5, GLM-5.1, GLM-5.2, GLM-5.3

Ikhtisar

Model bahasa GLM-5, GLM-5.1, GLM-5.2, dan GLM-5.3 menggunakan kelas ini. Implementasi di transformers tidak menyertakan lapisan MTP.

GLM-5.3

GLM-5.3 menggunakan model dasar yang sama dengan GLM-5.2 — setiap peningkatan berasal dari pelatihan pasca. Dibandingkan dengan GLM-5.2, model ini jauh lebih baik dalam pemrograman kompleks dan tugas jangka panjang:

Coding yang Lebih Kuat: GLM-5.3 adalah model open-weights paling mumpuni untuk coding, dengan peningkatan 50% dibandingkan GLM-5.2 pada Z.ai Code Bench internal kami. Model ini juga mencapai SOTA open-source pada benchmark publik, termasuk Terminal Bench 3.0 dan Agents’ Last Exam.
Kemampuan Siber yang Muncul: Saat kami memperluas pascapelatihan, kemampuan siber berkembang lebih cepat dari yang kami perkirakan. GLM-5.3 merupakan state of the art pada CyberGym untuk penemuan kerentanan, dan peningkatan terbesarnya terjadi lebih jauh di rantai eksploitasi, di mana model ini lebih dari dua kali lipat GLM-5.2 pada benchmark eksploitasi.

bench_53

GLM-5.2

GLM-5.2, model unggulan terbaru kami untuk tugas jangka panjang. Model ini menandai lompatan besar dalam kemampuan tugas jangka panjang dibandingkan pendahulunya, GLM-5.1, dan untuk pertama kalinya, menghadirkan kemampuan tersebut pada konteks 1 juta token yang solid.

Kemampuan baru GLM-5.2 meliputi:

Konteks 1M Token yang Solid: Konteks 1M token yang solid untuk mendukung pekerjaan jangka panjang secara stabil
Pemrograman Lanjutan dengan Upaya Fleksibel: Kemampuan pemrograman yang lebih kuat dengan beberapa tingkat upaya berpikir untuk menyeimbangkan kinerja dan latensi
Arsitektur yang Ditingkatkan: Kami mengusulkan IndexShare, yang menggunakan ulang indexer yang sama di setiap empat lapisan sparse attention, mengurangi FLOPs per token sebesar 2,9× pada panjang konteks 1M. Kami juga meningkatkan lapisan MTP dari GLM-5.2 untuk speculative decoding, meningkatkan panjang penerimaan hingga 20%

bench_52

Pada benchmark pemrograman standar, GLM-5.2 adalah model open-source terkuat, dengan peningkatan yang signifikan dibandingkan GLM-5.1: 81.0 vs. 62.0 pada Terminal-Bench 2.1 dan 62.1 vs. 58.4 pada SWE-bench Pro. Model ini juga menutup sebagian besar jarak dengan frontier closed-source — pada Terminal-Bench 2.1 (81.0), kinerjanya hanya terpaut beberapa poin dari Claude Opus 4.8 (85.0) — sekaligus tetap unggul dari Gemini 3.1 Pro.

Untuk detail lebih lanjut, periksa blog kami.

GLM-5.1

GLM-5.1 adalah model unggulan generasi berikutnya kami untuk rekayasa agen, dengan kemampuan penulisan kode yang jauh lebih kuat dibandingkan pendahulunya. Model ini mencapai kinerja state-of-the-art pada SWE-Bench Pro dan memimpin GLM-5 dengan selisih yang signifikan pada NL2Repo (generasi repo) dan Terminal-Bench 2.0 (tugas terminal dunia nyata).

bench_51

Namun, lompatan yang paling bermakna melampaui kinerja pada tahap awal. Model-model sebelumnya—termasuk GLM-5—cenderung menghabiskan repertoarnya lebih awal: mereka menerapkan teknik-teknik yang sudah dikenal untuk mendapatkan peningkatan awal yang cepat, kemudian mencapai titik jenuh. Memberikan mereka lebih banyak waktu tidak membantu.

Sebaliknya, GLM-5.1 dibangun agar tetap efektif pada tugas agentic di sepanjang horizon yang jauh lebih panjang. Kami menemukan bahwa model ini menangani masalah ambigu dengan penilaian yang lebih baik dan tetap produktif selama sesi yang lebih panjang. Model ini memecah masalah kompleks, menjalankan eksperimen, membaca hasil, dan mengidentifikasi penghalang dengan presisi yang nyata. Dengan meninjau kembali penalarannya dan merevisi strateginya melalui iterasi berulang, GLM-5.1 mempertahankan optimasi selama ratusan putaran dan ribuan panggilan alat. Semakin lama model ini berjalan, semakin baik hasilnya.

GLM-5

GLM-5 (GlmMoeDsa) adalah model mixture-of-experts dengan 744B parameter dan 40B parameter aktif per token, yang menggunakan DeepSeek Sparse Attention (DSA) untuk penanganan konteks 200K token secara efisien. Model ini dilatih sepenuhnya pada chip Huawei Ascend dan menunjukkan kinerja setara level frontier pada benchmark penalaran dan konteks panjang.

Dengan kemajuan dalam pre-training dan post-training, GLM-5 memberikan peningkatan signifikan dibandingkan GLM-4.7 di berbagai benchmark akademik dan mencapai kinerja terbaik di kelasnya di antara semua model open-source di dunia untuk tugas penalaran, coding, dan agentic, sehingga memperkecil jarak dengan model frontier.

bench

GlmMoeDsaConfig

kelas transformers.GlmMoeDsaConfig

< source >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonevocab_size: int = 154880hidden_size: int = 6144intermediate_size: int = 12288moe_intermediate_size: int = 2048num_hidden_layers: int = 78num_attention_heads: int = 64num_key_value_heads: int = 64n_shared_experts: int = 1n_routed_experts: int = 256output_router_logits: bool = Falserouted_scaling_factor: float = 2.5kv_lora_rank: int = 512q_lora_rank: int = 2048qk_rope_head_dim: int = 64v_head_dim: int = 256qk_nope_head_dim: int = 192n_group: int = 1topk_group: int = 1num_experts_per_tok: int = 8norm_topk_prob: bool = Truehidden_act: str = 'silu'max_position_embeddings: int = 202752initializer_range: float = 0.02rms_norm_eps: float = 1e-05use_cache: bool = Truepad_token_id: int | None = Nonebos_token_id: int | None = 0eos_token_id: int | list[int] | None = 1tie_word_embeddings: bool = Falserope_parameters: dict | None = Nonemlp_layer_types: list[str] | None = Noneattention_bias: bool = Falseattention_dropout: float | int = 0.0index_topk: int = 2048index_head_dim: int = 128index_n_heads: int = 32mlp_bias: bool = Falsehead_dim: int = 64first_k_dense_replace: int = 3layer_types: list[str] | None = Noneindexer_types: list[str] | None = None )

Parameter

vocab_size (int, opsional, default 154880) — Ukuran kosakata model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh input_ids.
hidden_size (int, opsional, default 6144) — Dimensi dari representasi tersembunyi.
intermediate_size (int, opsional, default 12288) — Dimensi representasi MLP.
moe_intermediate_size (int, opsional, default 2048) — Ukuran intermediate dari MLP expert yang di-rutekan.
num_hidden_layers (int, opsional, default 78) — Jumlah lapisan tersembunyi dalam decoder Transformer.
num_attention_heads (int, opsional, default 64) — Jumlah attention head untuk setiap lapisan attention di decoder Transformer.
num_key_value_heads (int, opsional, default 64) — Ini adalah jumlah key_value heads yang harus digunakan untuk mengimplementasikan Grouped Query Attention. Jika num_key_value_heads=num_attention_heads, model akan menggunakan Multi Head Attention (MHA), jika num_key_value_heads=1 model akan menggunakan Multi Query Attention (MQA), selain itu GQA yang digunakan. Saat mengkonversi checkpoint multi-head menjadi checkpoint GQA, setiap group key dan value head harus dibangun dengan meanpooling semua head asli di dalam group tersebut. Untuk detail lebih lanjut, lihat paper ini. Jika tidak ditentukan, akan default ke num_attention_heads.
n_shared_experts (int, opsional, defaultnya 1) — Jumlah expert yang dibagikan.
n_routed_experts (int, opsional, default 256) — Jumlah expert yang dirutekan.
output_router_logits (bool, opsional, default False) — Apakah logits router harus dikembalikan oleh model. Mengaktifkan ini juga akan memungkinkan model untuk mengoutput loss tambahan, termasuk load balancing loss dan router z-loss.
routed_scaling_factor (float, opsional, defaultnya 2.5) — Faktor penskalaan untuk pakar yang di-rutekan.
kv_lora_rank (int, opsional, default 512) — Rank dari matriks LoRA untuk proyeksi key dan value.
q_lora_rank (int, opsional, default 2048) — Rank dari matriks LoRA untuk proyeksi query.
qk_rope_head_dim (int, opsional, default 64) — Dimensi dari head query/key yang menggunakan rotary position embeddings.
v_head_dim (int, opsional, default 256) — Dimensi dari kepala nilai (value heads).
qk_nope_head_dim (int, opsional, default 192) — Dimensi dari head query/key yang tidak menggunakan rotary position embeddings.
n_group (int, opsional, default 1) — Jumlah grup untuk pakar yang dirutekan.
topk_group (int, opsional, default 1) — Jumlah grup yang dipilih untuk setiap token (untuk setiap token, memastikan pakar yang dipilih hanya berada di dalam topk_group grup).
num_experts_per_tok (int, opsional, default 8) — Jumlah expert yang akan menerima setiap token. Ini adalah nilai top-k untuk routing pemilihan token.
norm_topk_prob (bool, opsional, default True) — Apakah akan menormalisasi bobot dari para ahli yang dirutekan.
hidden_act (str, opsional, defaultnya silu) — Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, "gelu", "relu", "silu", dan sebagainya.
max_position_embeddings (int, opsional, default 202752) — Panjang maksimum urutan yang mungkin digunakan dengan model ini.
initializer_range (float, opsional, defaultnya 0.02) — Standar deviasi dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot.
rms_norm_eps (float, opsional, defaultnya 1e-05) — Epsilon yang digunakan oleh lapisan normalisasi rms.
use_cache (bool, opsional, defaultnya True) — Apakah model harus mengembalikan perhatian kunci/nilai terakhir (tidak digunakan oleh semua model). Hanya relevan jika config.is_decoder=True atau ketika model adalah model generatif yang hanya decoder.
pad_token_id (int, opsional) — ID token yang digunakan untuk padding dalam kosakata.
bos_token_id (int, opsional, default 0) — ID token yang digunakan untuk awal aliran (beginning-of-stream) dalam kosakata.
eos_token_id (Union[int, list[int]], opsional, default 1) — ID token yang digunakan untuk end-of-stream dalam kosakata.
tie_word_embeddings (bool, opsional, default False) — Apakah akan mengikat bobot embedding sesuai dengan pemetaan tied_weights_keys model.
rope_parameters (dict, opsional) — Kamus yang berisi parameter konfigurasi untuk embedding RoPE. Kamus tersebut harus berisi nilai untuk rope_theta dan secara opsional parameter yang digunakan untuk penskalaan jika Anda ingin menggunakan RoPE dengan max_position_embeddings yang lebih panjang.
mlp_layer_types (list, opsional) — Pola tipe MLP untuk setiap layer ("dense" atau "sparse"). Bawaan adalah 3 dense + sisanya sparse.
attention_bias (bool, opsional, default False) — Apakah akan menggunakan bias pada lapisan proyeksi query, key, value, dan output selama self-attention.
attention_dropout (Union[float, int], opsional, default 0.0) — Rasio dropout untuk probabilitas perhatian.
index_topk (int, opsional, default 2048) — Jumlah token teratas yang dipilih oleh indexer untuk sparse attention.
index_head_dim (int, opsional, default 128) — Dimensi head untuk proyeksi indexer (DSA).
index_n_heads (int, opsional, default 32) — Jumlah head untuk proyeksi indexer (DSA).
mlp_bias (bool, opsional, default False) — Apakah akan menggunakan bias pada lapisan up_proj, down_proj, dan gate_proj di dalam lapisan MLP.
head_dim (int, opsional, default 64) — Dimensi head perhatian. Jika None, nilainya akan default ke hidden_size // num_attention_heads
first_k_dense_replace (int, opsional, default 3) — Jumlah lapisan awal yang menggunakan MLP padat; sisanya menggunakan blok MoE.
layer_types (list[str], opsional) — Daftar yang secara eksplisit memetakan setiap indeks layer dengan tipe layernya. Jika tidak disediakan, daftar ini akan dibuat secara otomatis berdasarkan nilai config.
indexer_types (list[str], opsional) — Mode indexer per layer ("full" menjalankan indexer, "shared" menggunakan ulang top-k dari layer penuh sebelumnya). Nilainya secara default mengikuti pola yang diturunkan dari index_topk_freq / index_skip_topk_offset (atau index_topk_pattern).

Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari GlmMoeDsaModel. Kelas ini digunakan untuk menginstansiasi model Glm Moe Dsa sesuai dengan argumen yang ditentukan, sehingga mendefinisikan arsitektur model. Menginstansiasi konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari zai-org/GLM-5

Objek konfigurasi mewarisi dari PreTrainedConfig dan dapat digunakan untuk mengontrol output model. Baca dokumentasi dari PreTrainedConfig untuk informasi lebih lanjut.

>>> from transformers import GlmMoeDsaConfig, GlmMoeDsaModel

>>> # Initializing a GLM-MoE-DSA configuration
>>> configuration = GlmMoeDsaConfig()

>>> # Initializing a model from the configuration
>>> model = GlmMoeDsaModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

GlmMoeDsaModel

kelas transformers.GlmMoeDsaModel

< source >

( config: GlmMoeDsaConfig )

Parameter

config (GlmMoeDsaConfig) — Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode from_pretrained() untuk memuat bobot model.

Model Glm Moe Dsa polos yang menghasilkan hidden-states mentah tanpa head spesifik di atasnya.

Model ini mewarisi dari PreTrainedModel. Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran embedding input, memangkas kepala, dll.)

Model ini juga merupakan subclass dari torch.nn.Module PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum.

forward

< source >

( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.LongTensor] = Nonepast_key_values: transformers.cache_utils.Cache | None = Noneinputs_embeds: typing.Optional[torch.Tensor] = Noneuse_cache: bool | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → MoeModelOutputWithPast or tuple(torch.Tensor)

Parameter

input_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default.
Indeks dapat diperoleh menggunakan AutoTokenizer. Lihat PreTrainedTokenizer.encode() dan PreTrainedTokenizer.call() untuk detailnya.

Apa itu input ID?
attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
- 1 untuk token yang tidak dimasker,
- 0 untuk token yang dimasker.
Apa itu attention mask?
position_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks posisi token dari setiap urutan input dalam position embeddings. Dipilih dalam rentang [0, config.n_positions - 1].
Apa itu ID posisi?
past_key_values (~cache_utils.Cache, opsional) — Hidden-states yang sudah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari past_key_values yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika use_cache=True atau config.use_cache=True.
Hanya instance Cache yang diizinkan sebagai input, lihat panduan kv cache kami. Jika tidak ada past_key_values yang diteruskan, DynamicCache akan diinisialisasi secara default.

Model akan menghasilkan format cache yang sama dengan yang diberikan sebagai input.

Jika past_key_values digunakan, pengguna diharapkan hanya memasukkan input_ids yang belum diproses (yang tidak memiliki state past key value yang diberikan ke model ini) dengan bentuk (batch_size, unprocessed_length) alih-alih semua input_ids dengan bentuk (batch_size, sequence_length).
inputs_embeds (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size), opsional) — Secara opsional, alih-alih meneruskan input_ids, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Hal ini berguna jika Anda ingin memiliki kendali lebih atas cara mengonversi indeks input_ids menjadi vektor terkait, dibandingkan dengan matriks pencarian penanaman internal model.
use_cache (bool, opsional) — Jika diset ke True, state kunci-nilai past_key_values akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat past_key_values).

Mengembalikan

MoeModelOutputWithPast atau tuple(torch.Tensor)

MoeModelOutputWithPast atau tuple dari torch.Tensor (jika return_dict=False diteruskan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (GlmMoeDsaConfig) dan input.

Metode forward dari GlmMoeDsaModel menimpa metode khusus __call__.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance Module setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

last_hidden_state (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size)) — Urutan hidden-states pada keluaran lapisan terakhir model.
past_key_values (Cache, opsional, dikembalikan saat use_cache=True dilewatkan atau saat config.use_cache=True) — Ini adalah instance Cache. Untuk detail lebih lanjut, lihat panduan kv cache kami.

Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention, dan secara opsional jika config.is_encoder_decoder=True di blok cross-attention) yang dapat digunakan (lihat input past_key_values) untuk mempercepat decoding berurutan.
hidden_states (tuple(torch.Tensor), opsional, dikembalikan saat output_hidden_states=True dilewatkan atau saat config.output_hidden_states=True) — Tuple dari torch.Tensor (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk (batch_size, sequence_length, hidden_size).

Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.
attentions (tuple(torch.Tensor), opsional, dikembalikan saat output_attentions=True dilewatkan atau saat config.output_attentions=True) — Tuple dari torch.Tensor (satu untuk setiap layer) dengan bentuk (batch_size, num_heads, sequence_length, sequence_length).

Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala perhatian diri (self-attention).
router_logits (tuple(torch.Tensor), opsional, dikembalikan ketika output_router_probs=True dan config.add_router_probs=True diteruskan atau ketika config.output_router_probs=True) — Tuple dari torch.Tensor (satu untuk setiap layer) dengan bentuk (batch_size, sequence_length, num_experts).

Logit router mentah (setelah softmax) yang dihitung oleh router MoE; istilah-istilah ini digunakan untuk menghitung auxiliary loss pada model Mixture of Experts.

GlmMoeDsaForCausalLM

kelas transformers.GlmMoeDsaForCausalLM

< source >

( config: GlmMoeDsaConfig )

Parameter

config (GlmMoeDsaConfig) — Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode from_pretrained() untuk memuat bobot model.

Model Glm Moe Dsa untuk pemodelan bahasa kausal.

forward

< source >

( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.LongTensor] = Nonepast_key_values: transformers.cache_utils.Cache | None = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonelabels: typing.Optional[torch.LongTensor] = Noneuse_cache: bool | None = Nonelogits_to_keep: typing.Union[int, torch.Tensor] = 0**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → MoeCausalLMOutputWithPast or tuple(torch.Tensor)

Parameter

input_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default.
Indeks dapat diperoleh menggunakan AutoTokenizer. Lihat PreTrainedTokenizer.encode() dan PreTrainedTokenizer.call() untuk detailnya.

Apa itu input ID?
attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
- 1 untuk token yang tidak dimasker,
- 0 untuk token yang dimasker.
Apa itu attention mask?
position_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks posisi token dari setiap urutan input dalam position embeddings. Dipilih dalam rentang [0, config.n_positions - 1].
Apa itu ID posisi?
past_key_values (~cache_utils.Cache, opsional) — Hidden-states yang sudah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari past_key_values yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika use_cache=True atau config.use_cache=True.
Hanya instance Cache yang diizinkan sebagai input, lihat panduan kv cache kami. Jika tidak ada past_key_values yang diteruskan, DynamicCache akan diinisialisasi secara default.

Model akan menghasilkan format cache yang sama dengan yang diberikan sebagai input.

Jika past_key_values digunakan, pengguna diharapkan hanya memasukkan input_ids yang belum diproses (yang tidak memiliki state past key value yang diberikan ke model ini) dengan bentuk (batch_size, unprocessed_length) alih-alih semua input_ids dengan bentuk (batch_size, sequence_length).
inputs_embeds (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size), opsional) — Secara opsional, alih-alih meneruskan input_ids, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Hal ini berguna jika Anda ingin memiliki kendali lebih atas cara mengonversi indeks input_ids menjadi vektor terkait, dibandingkan dengan matriks pencarian penanaman internal model.
labels (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Label untuk menghitung kerugian pemodelan bahasa yang disamarkan (masked language modeling). Indeks harus berada dalam [0, ..., config.vocab_size] atau -100 (lihat docstring input_ids). Token dengan indeks yang disetel ke -100 diabaikan (disamarkan), kerugian hanya dihitung untuk token dengan label dalam [0, ..., config.vocab_size].
use_cache (bool, opsional) — Jika diset ke True, state kunci-nilai past_key_values akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat past_key_values).
logits_to_keep (Union[int, torch.Tensor], opsional, default 0) — Jika berupa int, hitung logits untuk logits_to_keep token terakhir. Jika 0, hitung logits untuk semua input_ids (kasus khusus). Hanya logits token terakhir yang diperlukan untuk generasi, dan menghitungnya hanya untuk token tersebut dapat menghemat memori, yang menjadi cukup signifikan untuk urutan panjang atau ukuran kosakata besar. Jika berupa torch.Tensor, harus 1D yang sesuai dengan indeks yang akan dipertahankan pada dimensi panjang urutan. Ini berguna saat menggunakan format tensor terpadu (satu dimensi untuk batch dan panjang urutan).

Mengembalikan

MoeCausalLMOutputWithPast atau tuple(torch.Tensor)

MoeCausalLMOutputWithPast atau tuple dari torch.Tensor (jika return_dict=False dilewatkan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (GlmMoeDsaConfig) dan input.

Metode forward dari GlmMoeDsaForCausalLM menimpa metode khusus __call__.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance Module setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

loss (torch.Tensor dengan bentuk (1,), opsional, dikembalikan saat labels disediakan) — Loss pemodelan bahasa (untuk prediksi token berikutnya).
logits (torch.Tensor dengan bentuk (batch_size, sequence_length, config.vocab_size)) — Skor prediksi dari kepala pemodelan bahasa (skor untuk setiap token kosakata sebelum SoftMax).
aux_loss (torch.Tensor, opsional, dikembalikan ketika output_router_logits=True dilewatkan atau ketika config.output_router_logits=True, dan model melatih router-nya dengan loss penyeimbangan beban) — Loss bantu penyeimbangan beban untuk modul sparse. Model yang menyeimbangkan pakar mereka dengan bias router sebagai gantinya (DeepSeek-V3 dan arsitektur yang diturunkan darinya) mengembalikan None di sini sambil tetap mengembalikan router_logits.
router_logits (tuple(torch.Tensor), opsional, dikembalikan ketika output_router_logits=True diteruskan atau ketika config.output_router_logits=True) — Tuple dari torch.Tensor (satu untuk setiap lapisan sparse) dengan bentuk (batch_size * sequence_length, num_experts).

Logit router mentah yang dihitung oleh router MoE. Logit ini dapat digunakan untuk menghitung kerugian penyeimbangan beban (load-balancing loss) atau untuk memeriksa bagaimana token didistribusikan ke para ahli (experts).
past_key_values (Cache, opsional, dikembalikan saat use_cache=True dilewatkan atau saat config.use_cache=True) — Ini adalah instance Cache. Untuk detail lebih lanjut, lihat panduan kv cache kami.

Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention) yang dapat digunakan (lihat input past_key_values) untuk mempercepat decoding berurutan.
hidden_states (tuple(torch.Tensor), opsional, dikembalikan saat output_hidden_states=True dilewatkan atau saat config.output_hidden_states=True) — Tuple dari torch.Tensor (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk (batch_size, sequence_length, hidden_size).

Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.
attentions (tuple(torch.Tensor), opsional, dikembalikan saat output_attentions=True dilewatkan atau saat config.output_attentions=True) — Tuple dari torch.Tensor (satu untuk setiap layer) dengan bentuk (batch_size, num_heads, sequence_length, sequence_length).

Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala perhatian diri (self-attention).

Contoh:

>>> from transformers import AutoTokenizer, GlmMoeDsaForCausalLM

>>> model = GlmMoeDsaForCausalLM.from_pretrained("meta-glm_moe_dsa/GlmMoeDsa-2-7b-hf")
>>> tokenizer = AutoTokenizer.from_pretrained("meta-glm_moe_dsa/GlmMoeDsa-2-7b-hf")

>>> prompt = "Hey, are you conscious? Can you talk to me?"
>>> inputs = tokenizer(prompt, return_tensors="pt")

>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"Hey, are you conscious? Can you talk to me?\nI'm not conscious, but I can talk to you."

Update on GitHub

←GLM-4.7-Flash GLM-Image→