Transformers documentation
GLM-4.5, GLM-4.6, GLM-4.7
Mô hình này được công bố trên HF papers vào ngày 2025-08-08 và được đóng góp cho Hugging Face Transformers vào ngày 2025-07-21.
GLM-4.5, GLM-4.6, GLM-4.7
Tổng quan
Mô hình ngôn ngữ GLM-4.7, GLM-4.6 và GLM-4.5 sử dụng lớp này. Bản triển khai trong transformers không bao gồm lớp MTP.
GLM-4.7
GLM-4.7, người bạn đồng hành lập trình mới của bạn, sắp ra mắt với các tính năng sau:
- Lập trình cốt lõi: GLM-4.7 mang lại những cải thiện rõ rệt so với phiên bản tiền nhiệm GLM-4.6 trong các tác vụ lập trình đa ngôn ngữ theo kiểu agent và các tác vụ dựa trên terminal, bao gồm (73,8%, +5,8%) trên SWE-bench, (66,7%, +12,9%) trên SWE-bench Multilingual và (41%, +16,5%) trên Terminal Bench 2.0. GLM-4.7 cũng hỗ trợ suy nghĩ trước khi hành động, với những cải thiện đáng kể trên các tác vụ phức tạp trong các framework agent phổ biến như Claude Code, Kilo Code, Cline và Roo Code.
- Vibe Coding: GLM-4.7 tiến bộ vượt bậc trong việc nâng cao chất lượng UI. Mô hình tạo ra các trang web sạch sẽ, hiện đại hơn và sinh ra các slide có ngoại hình đẹp hơn với bố cục và kích thước chính xác hơn.
- Sử dụng công cụ: GLM-4.7 đạt được những cải thiện đáng kể trong việc sử dụng công cụ. Hiệu suất tốt hơn rõ rệt có thể được quan sát thấy trên các bộ chuẩn như τ^2-Bench và trong việc duyệt web thông qua BrowseComp.
- Lý luận phức tạp: GLM-4.7 mang lại sự cải thiện đáng kể về khả năng toán học và lý luận, đạt (42,8%, +12,4%) trên bộ chuẩn HLE (Humanity’s Last Exam) so với GLM-4.6.
Nói chung hơn, người ta cũng sẽ chứng kiến những cải thiện đáng kể trong nhiều kịch bản khác như trò chuyện, viết sáng tạo và kịch bản nhập vai.
Tư duy xen kẽ & Tư duy được bảo toàn
GLM-4.7 tiếp tục nâng cao Interleaved Thinking (một tính năng được giới thiệu từ GLM-4.5) và đưa ra Preserved Thinking cùng Turn-level Thinking. Bằng cách suy luận giữa các hành động và duy trì sự nhất quán qua các lượt, nó giúp các tác vụ phức tạp trở nên ổn định và dễ kiểm soát hơn:
- Tư duy xen kẽ: Mô hình suy nghĩ trước mỗi phản hồi và gọi công cụ, cải thiện khả năng tuân theo chỉ dẫn và chất lượng sinh thành.
- Tư duy được bảo toàn: Trong các kịch bản tác nhân lập trình, mô hình tự động giữ lại tất cả các khối tư duy xuyên suốt các cuộc hội thoại nhiều lượt, tái sử dụng lập luận hiện có thay vì suy luận lại từ đầu. Điều này giảm thiểu mất mát thông tin và sự không nhất quán, đồng thời phù hợp với các tác vụ phức tạp, kéo dài.
- Tư duy theo lượt: Mô hình hỗ trợ kiểm soát việc suy luận theo từng lượt trong một phiên—tắt tư duy cho các yêu cầu nhẹ để giảm độ trễ/chi phí, bật nó cho các tác vụ phức tạp để cải thiện độ chính xác và độ ổn định.
Chi tiết hơn: https://docs.z.ai/guides/capabilities/thinking-mode
Để xem thêm kết quả đánh giá, các trường hợp sử dụng và chi tiết kỹ thuật, vui lòng truy cập bài viết kỹ thuật về GLM-4.7.
GLM-4.6
So với GLM-4.5, GLM-4.6 mang lại một số cải tiến chính:
- Cửa sổ ngữ cảnh dài hơn: Cửa sổ ngữ cảnh đã được mở rộng từ 128K lên 200K token, cho phép mô hình xử lý các tác vụ agentic phức tạp hơn.
- Hiệu suất lập trình vượt trội: Mô hình đạt điểm cao hơn trên các bộ chuẩn đánh giá mã nguồn và thể hiện hiệu suất thực tế tốt hơn trong các ứng dụng như Claude Code、Cline、Roo Code và Kilo Code, bao gồm cả cải thiện trong việc tạo ra các trang front-end có giao diện hoàn thiện.
- Lý luận nâng cao: GLM-4.6 cho thấy sự cải thiện rõ rệt về hiệu suất lý luận và hỗ trợ sử dụng công cụ trong quá trình suy luận, từ đó nâng cao năng lực tổng thể.
- Các tác nhân có khả năng cao hơn: GLM-4.6 thể hiện hiệu suất mạnh mẽ hơn trong các tác nhân sử dụng công cụ và dựa trên tìm kiếm, đồng thời tích hợp hiệu quả hơn trong các khung tác nhân.
- Viết được tinh chỉnh: Phù hợp hơn với sở thích của con người về phong cách và khả năng đọc, đồng thời thể hiện tự nhiên hơn trong các kịch bản nhập vai.
Chúng tôi đã đánh giá GLM-4.6 trên tám bộ benchmark công khai bao gồm các lĩnh vực agents, reasoning và coding. Kết quả cho thấy sự cải thiện rõ rệt so với GLM-4.5, đồng thời GLM-4.6 cũng duy trì lợi thế cạnh tranh so với các mô hình hàng đầu trong nước và quốc tế như DeepSeek-V3.1-Terminus và Claude Sonnet 4.
Để xem thêm kết quả đánh giá, các trường hợp sử dụng và chi tiết kỹ thuật, vui lòng truy cập bài viết kỹ thuật về GLM-4.6.
GLM-4.5
Các mô hình thuộc dòng GLM-4.5 là các mô hình nền tảng được thiết kế cho các tác tử thông minh, các biến thể MoE được tài liệu hóa tại đây dưới tên Glm4Moe.
GLM-4.5 có tổng cộng 355 tỷ tham số với 32 tỷ tham số hoạt động, trong khi GLM-4.5-Air áp dụng thiết kế gọn nhẹ hơn với 106 tỷ tham số tổng cộng và 12 tỷ tham số hoạt động. Các mô hình GLM-4.5 tích hợp khả năng suy luận, lập trình và tác tử thông minh để đáp ứng các yêu cầu phức tạp của các ứng dụng tác tử thông minh.
Cả GLM-4.5 và GLM-4.5-Air đều là các mô hình suy luận lai, cung cấp hai chế độ: chế độ suy nghĩ cho suy luận phức tạp và sử dụng công cụ, và chế độ không suy nghĩ cho phản hồi tức thì.
Chúng tôi đã mã nguồn mở các mô hình cơ sở, các mô hình suy luận lai và các phiên bản FP8 của các mô hình suy luận lai cho cả GLM-4.5 và GLM-4.5-Air. Chúng được phát hành theo giấy phép mã nguồn mở MIT và có thể được sử dụng cho mục đích thương mại cũng như phát triển thứ cấp.
Như đã được chứng minh trong đánh giá toàn diện của chúng tôi trên 12 bộ chuẩn công nghiệp, GLM-4.5 đạt hiệu suất vượt trội với điểm số 63.2, xếp thứ 3 trong số tất cả các mô hình độc quyền và mã nguồn mở. Đáng chú ý, GLM-4.5-Air mang lại kết quả cạnh tranh ở mức 59.8 trong khi vẫn duy trì hiệu quả vượt trội.
Để xem thêm kết quả đánh giá, các trường hợp sử dụng và chi tiết kỹ thuật, vui lòng truy cập báo cáo kỹ thuật hoặc blog kỹ thuật của chúng tôi.
Mã mô hình, trình phân tích công cụ và trình phân tích suy luận có thể được tìm thấy trong phần triển khai của transformers, vLLM và SGLang.
Glm4MoeConfig
lớp transformers.Glm4MoeConfig
< 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 = 151552hidden_size: int = 4096intermediate_size: int = 10944num_hidden_layers: int = 46num_attention_heads: int = 96num_key_value_heads: int = 8hidden_act: str = 'silu'max_position_embeddings: int = 131072initializer_range: float = 0.02rms_norm_eps: float = 1e-05use_cache: bool = Truetie_word_embeddings: bool = Falserope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = Noneattention_bias: bool = Falseattention_dropout: float | int = 0.0moe_intermediate_size: int = 1408num_experts_per_tok: int = 8output_router_logits: bool = Falsen_shared_experts: int = 1n_routed_experts: int = 128routed_scaling_factor: float = 1.0n_group: int = 1topk_group: int = 1first_k_dense_replace: int = 1norm_topk_prob: bool = Trueuse_qk_norm: bool = Falsebos_token_id: int | None = Noneeos_token_id: int | list[int] | None = Nonepad_token_id: int | None = Nonenum_mtp_layers: int = 1 )
Tham số
- vocab_size (
int, tuỳ chọn, mặc định là151552) — Kích thước từ vựng của mô hình. Xác định số lượng token khác nhau có thể được biểu diễn bởiinput_ids. - hidden_size (
int, tùy chọn, mặc định là4096) — Kích thước của các biểu diễn ẩn. - intermediate_size (
int, tùy chọn, mặc định là10944) — Kích thước của các biểu diễn MLP. - num_hidden_layers (
int, tùy chọn, mặc định là46) — Số lượng lớp ẩn trong bộ giải mã Transformer. - num_attention_heads (
int, tùy chọn, mặc định là96) — Số lượng đầu chú ý (attention heads) cho mỗi lớp chú ý trong bộ giải mã Transformer. - num_key_value_heads (
int, tùy chọn, mặc định là8) — Đây là số lượng key_value heads cần được sử dụng để triển khai Grouped Query Attention. Nếunum_key_value_heads=num_attention_heads, mô hình sẽ sử dụng Multi Head Attention (MHA), nếunum_key_value_heads=1mô hình sẽ sử dụng Multi Query Attention (MQA), ngược lại sẽ sử dụng GQA. Khi chuyển đổi checkpoint multi-head sang checkpoint GQA, mỗi nhóm key và value head nên được xây dựng bằng cách meanpooling tất cả các head gốc trong nhóm đó. Để biết thêm chi tiết, hãy xem bài báo này. Nếu không được chỉ định, giá trị mặc định sẽ lànum_attention_heads. - hidden_act (
str, tùy chọn, mặc định làsilu) — Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ,"gelu","relu","silu", v.v. - max_position_embeddings (
int, tùy chọn, mặc định là131072) — Chiều dài chuỗi tối đa mà mô hình này có thể được sử dụng. - initializer_range (
float, tùy chọn, mặc định là0.02) — Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số. - rms_norm_eps (
float, tùy chọn, mặc định là1e-05) — Giá trị epsilon được sử dụng bởi các lớp chuẩn hóa rms. - use_cache (
bool, tùy chọn, mặc định làTrue) — Xác định xem mô hình có nên trả về các chú ý key/values cuối cùng hay không (không được sử dụng bởi tất cả các mô hình). Chỉ liên quan nếuconfig.is_decoder=Truehoặc khi mô hình là mô hình sinh chỉ có decoder. - tie_word_embeddings (
bool, tùy chọn, mặc định làFalse) — Có nên gắn kết các trọng số nhúng theo ánh xạtied_weights_keyscủa mô hình hay không. - rope_parameters (
Union[~modeling_rope_utils.RopeParameters, dict], tùy chọn) — Từ điển chứa các tham số cấu hình cho các embedding RoPE. Từ điển phải chứa một giá trị chorope_thetavà tùy chọn các tham số được sử dụng để mở rộng trong trường hợp bạn muốn sử dụng RoPE vớimax_position_embeddingsdài hơn. - attention_bias (
bool, tùy chọn, mặc định làFalse) — Có sử dụng bias trong các lớp chiếu query, key, value và output trong quá trình tự chú ý hay không. - attention_dropout (
Union[float, int], tùy chọn, mặc định là0.0) — Tỷ lệ dropout cho các xác suất chú ý. - moe_intermediate_size (
int, tùy chọn, mặc định là1408) — Kích thước trung gian của các MLP chuyên gia được định tuyến. - num_experts_per_tok (
int, tuỳ chọn, mặc định là8) — Số lượng chuyên gia để định tuyến mỗi token. Đây là giá trị top-k cho việc định tuyến chọn token. - output_router_logits (
bool, tùy chọn, mặc định làFalse) — Xác định xem có nên trả về router logits từ mô hình hay không. Bật tùy chọn này cũng cho phép mô hình xuất ra tổn thất bổ trợ, bao gồm tổn thất cân bằng tải và router z-loss. - n_shared_experts (
int, tùy chọn, mặc định là1) — Số lượng chuyên gia dùng chung. - n_routed_experts (
int, tùy chọn, mặc định là128) — Số lượng chuyên gia được định tuyến. - routed_scaling_factor (
float, tùy chọn, mặc định là1.0) — Hệ số tỷ lệ cho các chuyên gia được định tuyến. - n_group (
int, tùy chọn, mặc định là 1) — Số lượng nhóm cho các chuyên gia được định tuyến. - topk_group (
int, tuỳ chọn, mặc định là1) — Số lượng nhóm được chọn cho mỗi token (với mỗi token, đảm bảo các chuyên gia được chọn chỉ nằm trongtopk_groupnhóm). - first_k_dense_replace (
int, tuỳ chọn, mặc định là 1) — Số lượng lớp dense trong các lớp nông (embed->dense->dense->…->dense->moe->moe…->lm_head). --k lớp dense—/ - norm_topk_prob (
bool, tùy chọn, mặc định làTrue) — Có nên chuẩn hóa trọng số của các chuyên gia được định tuyến hay không. - use_qk_norm (
bool, tùy chọn, mặc định làFalse) — Có sử dụng chuẩn hóa query-key trong cơ chế chú ý hay không. - bos_token_id (
int, tùy chọn) — Token id được sử dụng cho beginning-of-stream trong bảng từ vựng. - eos_token_id (
Union[int, list[int]], tùy chọn) — Token id được sử dụng cho end-of-stream trong bảng từ vựng. - pad_token_id (
int, tùy chọn) — Token id được sử dụng để đệm trong từ vựng. - num_mtp_layers (
int, tuỳ chọn, mặc định là 1) — Số lượng module Multi-Token Prediction (MTP) có thể được thêm vào sau mô hình transformer cơ sở. Khi0, mô hình hoạt động như một decoder tiêu chuẩn. Khi>0, mỗi module bổ sung có thể dự đoán thêm một token tương lai trong quá trình suy luận (speculative decoding thông quagenerate(..., use_mtp=True)).
Đây là lớp cấu hình để lưu trữ cấu hình của một Glm4MoeModel. Nó được sử dụng để khởi tạo một mô hình Glm4 Moe theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của zai-org/GLM-4.5
Các đối tượng cấu hình kế thừa từ PreTrainedConfig và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ PreTrainedConfig để biết thêm thông tin.
Ví dụ:
>>> from transformers import Glm4MoeModel, Glm4MoeConfig
>>> # Initializing a Glm4Moe style configuration
>>> configuration = Glm4MoeConfig()
>>> # Initializing a model from the GLM-4-MOE-100B-A10B style configuration
>>> model = Glm4MoeModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configGlm4MoeModel
lớp transformers.Glm4MoeModel
< source >( config: Glm4MoeConfig )
Tham số
- config (Glm4MoeConfig) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số của mô hình.
Mô hình Glm4 Moe thuần túy, xuất ra các hidden-states thô mà không có bất kỳ head cụ thể nào ở phía trên.
Mô hình này kế thừa từ PreTrainedModel. Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu, v.v.)
Mô hình này cũng là một lớp con của torch.nn.Module trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.
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)
Tham số
- input_ids (
torch.LongTensorcó dạng(batch_size, sequence_length), tùy chọn) — Chỉ số của các token trong chuỗi đầu vào theo từ điển. Mặc định, padding sẽ bị bỏ qua.Các chỉ số có thể được lấy bằng cách sử dụng AutoTokenizer. Xem PreTrainedTokenizer.encode() và PreTrainedTokenizer.call() để biết thêm chi tiết.
- attention_mask (
torch.Tensorcó hình dạng(batch_size, sequence_length), tùy chọn) — Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các token không bị che,
- 0 cho các token bị che.
- position_ids (
torch.LongTensorcó hình dạng(batch_size, sequence_length), tùy chọn) — Chỉ số vị trí của các token trong mỗi chuỗi đầu vào trong các position embeddings. Được chọn trong khoảng[0, config.n_positions - 1]. - past_key_values (
~cache_utils.Cache, tuỳ chọn) — Các hidden-state đã tính trước (key và value trong các khối self-attention và cross-attention) có thể được sử dụng để tăng tốc giải mã tuần tự. Điều này thường bao gồmpast_key_valuesđược trả về bởi mô hình ở một giai đoạn giải mã trước đó, khiuse_cache=Truehoặcconfig.use_cache=True.Chỉ cho phép Cache instance làm đầu vào, xem hướng dẫn kv cache của chúng tôi. Nếu không truyền
past_key_values, DynamicCache sẽ được khởi tạo theo mặc định.Mô hình sẽ xuất ra cùng định dạng cache được đưa vào làm đầu vào.
Nếu
past_key_valuesđược sử dụng, người dùng được kỳ vọng chỉ nhậpinput_idschưa được xử lý (những phần chưa có trạng thái key value quá khứ được cung cấp cho mô hình này) có hình dạng(batch_size, unprocessed_length)thay vì toàn bộinput_idscó hình dạng(batch_size, sequence_length). - inputs_embeds (
torch.Tensorcó hình dạng(batch_size, sequence_length, hidden_size), tùy chọn) — Tùy chọn, thay vì truyềninput_ids, bạn có thể chọn truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ sốinput_idsthành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình. - use_cache (
bool, tùy chọn) — Nếu đặt thànhTrue, các trạng thái key value củapast_key_valuessẽ được trả về và có thể được sử dụng để tăng tốc quá trình giải mã (xempast_key_values).
Trả về
MoeModelOutputWithPast hoặc tuple(torch.Tensor)
Một MoeModelOutputWithPast hoặc một tuple của
torch.Tensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các
thành phần khác nhau tùy thuộc vào cấu hình (Glm4MoeConfig) và đầu vào.
Phương thức forward của Glm4MoeModel ghi đè lên phương thức đặc biệt __call__.
Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của
Modulesau đó thay vì gọi hàm này, vì instanceModulesẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.
last_hidden_state (
torch.Tensorcó hình dạng(batch_size, sequence_length, hidden_size)) — Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình.past_key_values (
Cache, tùy chọn, được trả về khiuse_cache=Trueđược truyền vào hoặc khiconfig.use_cache=True) — Đây là một instance của Cache. Để biết thêm chi tiết, hãy xem hướng dẫn về kv cache của chúng tôi.Chứa các hidden-states đã được tính trước (key và values trong các khối self-attention và tùy chọn nếu
config.is_encoder_decoder=Truetrong các khối cross-attention) có thể được sử dụng (xem đầu vàopast_key_values) để tăng tốc độ giải mã tuần tự.hidden_states (
tuple(torch.Tensor), tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Bộ tuple củatorch.Tensor(một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng(batch_size, sequence_length, hidden_size).Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
attentions (
tuple(torch.Tensor), tuỳ chọn, được trả về khioutput_attentions=Trueđược truyền vào hoặc khiconfig.output_attentions=True) — Tuple củatorch.Tensor(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length).Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.
router_logits (
tuple(torch.Tensor), tuỳ chọn, được trả về khioutput_router_probs=Truevàconfig.add_router_probs=Trueđược truyền vào hoặc khiconfig.output_router_probs=True) — Bộ batorch.Tensor(một cho mỗi lớp) có hình dạng(batch_size, sequence_length, num_experts).Logits thô (sau softmax) được tính bởi các router MoE, các thuật ngữ này được sử dụng để tính toán tổn thất bổ trợ cho các mô hình Mixture of Experts.
Glm4MoeForCausalLM
lớp transformers.Glm4MoeForCausalLM
< source >( config: Glm4MoeConfig )
Tham số
- config (Glm4MoeConfig) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số của mô hình.
Mô hình Glm4 Moe cho mô hình hóa ngôn ngữ nhân quả.
Mô hình này kế thừa từ PreTrainedModel. Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu, v.v.)
Mô hình này cũng là một lớp con của torch.nn.Module trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.
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)
Tham số
- input_ids (
torch.LongTensorcó dạng(batch_size, sequence_length), tùy chọn) — Chỉ số của các token trong chuỗi đầu vào theo từ điển. Mặc định, padding sẽ bị bỏ qua.Các chỉ số có thể được lấy bằng cách sử dụng AutoTokenizer. Xem PreTrainedTokenizer.encode() và PreTrainedTokenizer.call() để biết thêm chi tiết.
- attention_mask (
torch.Tensorcó hình dạng(batch_size, sequence_length), tùy chọn) — Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các token không bị che,
- 0 cho các token bị che.
- position_ids (
torch.LongTensorcó hình dạng(batch_size, sequence_length), tùy chọn) — Chỉ số vị trí của các token trong mỗi chuỗi đầu vào trong các position embeddings. Được chọn trong khoảng[0, config.n_positions - 1]. - past_key_values (
~cache_utils.Cache, tuỳ chọn) — Các hidden-state đã tính trước (key và value trong các khối self-attention và cross-attention) có thể được sử dụng để tăng tốc giải mã tuần tự. Điều này thường bao gồmpast_key_valuesđược trả về bởi mô hình ở một giai đoạn giải mã trước đó, khiuse_cache=Truehoặcconfig.use_cache=True.Chỉ cho phép Cache instance làm đầu vào, xem hướng dẫn kv cache của chúng tôi. Nếu không truyền
past_key_values, DynamicCache sẽ được khởi tạo theo mặc định.Mô hình sẽ xuất ra cùng định dạng cache được đưa vào làm đầu vào.
Nếu
past_key_valuesđược sử dụng, người dùng được kỳ vọng chỉ nhậpinput_idschưa được xử lý (những phần chưa có trạng thái key value quá khứ được cung cấp cho mô hình này) có hình dạng(batch_size, unprocessed_length)thay vì toàn bộinput_idscó hình dạng(batch_size, sequence_length). - inputs_embeds (
torch.Tensorcó hình dạng(batch_size, sequence_length, hidden_size), tùy chọn) — Tùy chọn, thay vì truyềninput_ids, bạn có thể chọn truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ sốinput_idsthành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình. - labels (
torch.LongTensorcó shape(batch_size, sequence_length), tùy chọn) — Nhãn để tính toán tổn thất mô hình hóa ngôn ngữ có che (masked language modeling loss). Chỉ số phải nằm trong[0, ..., config.vocab_size]hoặc -100 (xem docstring củainput_ids). Các token có chỉ số được đặt thành-100sẽ bị bỏ qua (che), tổn thất chỉ được tính cho các token có nhãn nằm trong[0, ..., config.vocab_size]. - use_cache (
bool, tùy chọn) — Nếu đặt thànhTrue, các trạng thái key value củapast_key_valuessẽ được trả về và có thể được sử dụng để tăng tốc quá trình giải mã (xempast_key_values). - logits_to_keep (
Union[int, torch.Tensor], tùy chọn, mặc định là0) — Nếu làint, tính logits chologits_to_keeptoken cuối. Nếu là0, tính logits cho tất cảinput_ids(trường hợp đặc biệt). Chỉ cần logits của token cuối cho quá trình sinh, và việc chỉ tính cho token đó có thể tiết kiệm bộ nhớ, điều này trở nên khá đáng kể với các chuỗi dài hoặc kích thước từ vựng lớn. Nếu làtorch.Tensor, phải là 1 chiều tương ứng với các chỉ số cần giữ trong chiều độ dài chuỗi. Điều này hữu ích khi sử dụng định dạng tensor đóng gói (một chiều duy nhất cho batch và độ dài chuỗi).
Trả về
MoeCausalLMOutputWithPast hoặc tuple(torch.Tensor)
Một MoeCausalLMOutputWithPast hoặc một tuple của
torch.Tensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các
thành phần khác nhau tùy thuộc vào cấu hình (Glm4MoeConfig) và đầu vào.
Phương thức forward của Glm4MoeForCausalLM ghi đè lên phương thức đặc biệt __call__.
Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của
Modulesau đó thay vì gọi hàm này, vì instanceModulesẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.
loss (
torch.Tensorcó shape(1,), tùy chọn, được trả về khilabelsđược cung cấp) — Loss của language modeling (cho next-token prediction).logits (
torch.Tensorcó hình dạng(batch_size, sequence_length, config.vocab_size)) — Điểm dự đoán của đầu mô hình hóa ngôn ngữ (điểm cho mỗi token trong từ vựng trước SoftMax).aux_loss (
torch.Tensor, tuỳ chọn, được trả về khioutput_router_logits=Trueđược truyền vào hoặc khiconfig.output_router_logits=True, và mô hình huấn luyện router của nó với tổn thất cân bằng tải) — Tổn thất phụ cân bằng tải cho các module thưa. Các mô hình cân bằng chuyên gia của chúng bằng router bias thay thế (DeepSeek-V3 và các kiến trúc phái sinh từ nó) sẽ trả vềNonetại đây trong khi vẫn trả vềrouter_logits.router_logits (
tuple(torch.Tensor), tuỳ chọn, được trả về khi truyềnoutput_router_logits=Truehoặc khiconfig.output_router_logits=True) — Bộ tuple củatorch.Tensor(một cho mỗi lớp thưa) có hình dạng(batch_size * sequence_length, num_experts).Logits thô của router được tính toán bởi các router MoE. Chúng có thể được sử dụng để tính toán tổn thất cân bằng tải hoặc để kiểm tra cách các token được phân phối đến các chuyên gia.
past_key_values (
Cache, tùy chọn, được trả về khiuse_cache=Trueđược truyền vào hoặc khiconfig.use_cache=True) — Đây là một instance của Cache. Để biết thêm chi tiết, hãy xem hướng dẫn về kv cache của chúng tôi.Chứa các hidden-states đã được tính trước (key và values trong các khối self-attention) có thể được sử dụng (xem đầu vào
past_key_values) để tăng tốc độ giải mã tuần tự.hidden_states (
tuple(torch.Tensor), tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Bộ tuple củatorch.Tensor(một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng(batch_size, sequence_length, hidden_size).Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
attentions (
tuple(torch.Tensor), tuỳ chọn, được trả về khioutput_attentions=Trueđược truyền vào hoặc khiconfig.output_attentions=True) — Tuple củatorch.Tensor(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length).Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.
Ví dụ:
>>> from transformers import AutoTokenizer, Glm4MoeForCausalLM
>>> model = Glm4MoeForCausalLM.from_pretrained("meta-glm4_moe/Glm4Moe-2-7b-hf")
>>> tokenizer = AutoTokenizer.from_pretrained("meta-glm4_moe/Glm4Moe-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."