Hugging Face's logo

Transformers documentation

GLM-4.5, GLM-4.6, GLM-4.7

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.2).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Ce modèle a été publié dans HF papers le 2025-08-08 et contribué à Hugging Face Transformers le 2025-07-21.

GLM-4.5, GLM-4.6, GLM-4.7

Aperçu

Les modèles de langage GLM-4.7, GLM-4.6 et GLM-4.5 utilisent cette classe. L’implémentation dans transformers n’inclut pas de couche MTP.

GLM-4.7

GLM-4.7, votre nouveau partenaire de codage, arrive avec les fonctionnalités suivantes :

  • Codage principal : GLM-4.7 apporte des gains clairs, par rapport à son prédécesseur GLM-4.6, en codage agentique multilingue et en tâches basées sur le terminal, notamment (73,8 %, +5,8 %) sur SWE-bench, (66,7 %, +12,9 %) sur SWE-bench Multilingual et (41 %, +16,5 %) sur Terminal Bench 2.0. GLM-4.7 prend également en charge la réflexion avant l'action, avec des améliorations significatives sur les tâches complexes dans les frameworks d'agents mainstream tels que Claude Code, Kilo Code, Cline et Roo Code.
  • Vibe Coding : GLM-4.7 franchit un grand pas en avant en améliorant la qualité des interfaces utilisateur. Il génère des pages web plus propres et modernes, ainsi que des diapositives plus esthétiques, avec un agencement et un dimensionnement plus précis.
  • Utilisation d’outils : GLM-4.7 obtient des améliorations significatives en matière d’utilisation d’outils. Des performances nettement supérieures sont observées sur des benchmarks tels que τ^2-Bench et lors de la navigation web via BrowseComp.
  • Raisonnement complexe : GLM-4.7 offre une amélioration significative des capacités mathématiques et de raisonnement, atteignant (42,8 %, +12,4 %) sur le benchmark HLE (Humanity’s Last Exam) par rapport à GLM-4.6.

Plus généralement, on observerait également des améliorations significatives dans de nombreux autres scénarios, tels que le chat, l'écriture créative et les scénarios de jeu de rôle.

bench

Pensée entrelacée et pensée préservée

thinking

GLM-4.7 améliore davantage Interleaved Thinking (une fonctionnalité introduite depuis GLM-4.5) et présente Preserved Thinking et Turn-level Thinking. En réfléchissant entre les actions et en restant cohérent d'un tour à l'autre, il rend les tâches complexes plus stables et plus contrôlables :

  • Raisonnement entrelacé : le modèle réfléchit avant chaque réponse et chaque appel d'outil, ce qui améliore le respect des instructions et la qualité de la génération.
  • Pensée préservée : dans les scénarios d’agents de codage, le modèle conserve automatiquement tous les blocs de réflexion au fil des conversations multi-tours, en réutilisant le raisonnement existant plutôt que de le dériver à nouveau depuis zéro. Cela réduit la perte d’informations et les incohérences, et convient bien aux tâches complexes de longue durée.
  • Raisonnement par tour : le modèle permet de contrôler le raisonnement à chaque tour au sein d'une session — désactivez le raisonnement pour les requêtes légères afin de réduire la latence et les coûts, et activez-le pour les tâches complexes afin d'améliorer la précision et la stabilité.

Plus de détails : https://docs.z.ai/guides/capabilities/thinking-mode

Pour plus de résultats d'évaluation, d'exemples d'utilisation et de détails techniques, veuillez consulter le blog technique GLM-4.7.

GLM-4.6

Par rapport à GLM-4.5, GLM-4.6 apporte plusieurs améliorations clés :

  • Fenêtre de contexte plus longue : la fenêtre de contexte a été étendue de 128K à 200K jetons, permettant au modèle de traiter des tâches agentiques plus complexes.
  • Performances supérieures en programmation : Le modèle obtient des scores plus élevés sur les benchmarks de code et démontre de meilleures performances réelles dans des applications telles que Claude Code, Cline, Roo Code et Kilo Code, notamment en générant des pages front-end visuellement soignées.
  • Raisonnement avancé : GLM-4.6 présente une amélioration nette des performances de raisonnement et prend en charge l'utilisation d'outils lors de l'inférence, ce qui renforce ses capacités globales.
  • Des agents plus performants : GLM-4.6 présente de meilleures performances dans les agents utilisant des outils et basés sur la recherche, et s'intègre plus efficacement dans les frameworks d'agents.
  • Rédaction affinée : Meilleure adéquation aux préférences humaines en matière de style et de lisibilité, et comportement plus naturel dans les scénarios de jeu de rôle.

Nous avons évalué GLM-4.6 sur huit benchmarks publics couvrant les agents, le raisonnement et le codage. Les résultats montrent des gains clairs par rapport à GLM-4.5, GLM-4.6 conservant également des avantages concurrentiels face à des modèles nationaux et internationaux de pointe tels que DeepSeek-V3.1-Terminus et Claude Sonnet 4.

Pour plus de résultats d'évaluation, d'exemples d'utilisation et de détails techniques, veuillez consulter le blog technique GLM-4.6.

GLM-4.5

Les modèles de la série GLM-4.5 sont des modèles de base conçus pour les agents intelligents ; les variantes MoE sont documentées ici sous le nom Glm4Moe.

GLM-4.5 dispose de 355 milliards de paramètres au total, dont 32 milliards de paramètres actifs, tandis que GLM-4.5-Air adopte une conception plus compacte avec 106 milliards de paramètres au total et 12 milliards de paramètres actifs. Les modèles GLM-4.5 unissent les capacités de raisonnement, de codage et d’agent intelligent pour répondre aux exigences complexes des applications d’agents intelligents.

GLM-4.5 et GLM-4.5-Air sont tous deux des modèles de raisonnement hybrides qui offrent deux modes : le mode de raisonnement pour le raisonnement complexe et l'utilisation d'outils, et le mode non-raisonnement pour des réponses immédiates.

Nous avons publié en open source les modèles de base, les modèles de raisonnement hybride et les versions FP8 des modèles de raisonnement hybride pour GLM-4.5 et GLM-4.5-Air. Ils sont publiés sous licence open source MIT et peuvent être utilisés à des fins commerciales et pour le développement secondaire.

Comme le montre notre évaluation complète sur 12 benchmarks de référence de l’industrie, GLM-4.5 atteint des performances exceptionnelles avec un score de 63,2, se classant 3e parmi tous les modèles propriétaires et open source. Notons que GLM-4.5-Air offre des résultats compétitifs à 59,8 tout en conservant une efficacité supérieure.

Pour plus de résultats d'évaluation, d'exemples concrets et de détails techniques, veuillez consulter notre rapport technique ou notre blog technique.

Le code du modèle, l'analyseur d'outils et l'analyseur de raisonnement peuvent être trouvés dans l'implémentation de transformers, vLLM et SGLang.

Glm4MoeConfig

classe transformers.Glm4MoeConfig

< >

( 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 )

Paramètres

  • vocab_size (int, facultatif, par défaut 151552) — Taille du vocabulaire du modèle. Définit le nombre de jetons différents qui peuvent être représentés par input_ids.
  • hidden_size (int, facultatif, par défaut 4096) — Dimension des représentations cachées.
  • intermediate_size (int, facultatif, par défaut 10944) — Dimension des représentations du MLP.
  • num_hidden_layers (int, facultatif, par défaut 46) — Nombre de couches cachées dans le décodeur Transformer.
  • num_attention_heads (int, facultatif, valeur par défaut 96) — Nombre de têtes d'attention pour chaque couche d'attention du décodeur Transformer.
  • num_key_value_heads (int, facultatif, valeur par défaut 8) — Ceci est le nombre de têtes key_value à utiliser pour implémenter l'attention Grouped Query. Si num_key_value_heads=num_attention_heads, le modèle utilisera l'attention Multi Head (MHA), si num_key_value_heads=1 le modèle utilisera l'attention Multi Query (MQA), sinon l'attention GQA est utilisée. Lors de la conversion d'un checkpoint multi-têtes en checkpoint GQA, chaque tête clé et valeur de groupe doit être construite en effectuant un meanpooling de toutes les têtes d'origine au sein de ce groupe. Pour plus de détails, consultez ce papier. S'il n'est pas spécifié, la valeur par défaut sera num_attention_heads.
  • hidden_act (str, facultatif, par défaut silu) — La fonction d'activation non linéaire (fonction ou chaîne de caractères) du décodeur. Par exemple, "gelu", "relu", "silu", etc.
  • max_position_embeddings (int, facultatif, par défaut 131072) — La longueur de séquence maximale avec laquelle ce modèle pourrait être utilisé.
  • initializer_range (float, facultatif, par défaut 0.02) — L'écart-type de la truncated_normal_initializer utilisé pour initialiser toutes les matrices de poids.
  • rms_norm_eps (float, facultatif, valeur par défaut 1e-05) — L'épsilon utilisé par les couches de normalisation rms.
  • use_cache (bool, facultatif, valeur par défaut True) — Indique si le modèle doit retourner les dernières attentions clés/valeurs (non utilisé par tous les modèles). N’est pertinent que si config.is_decoder=True ou si le modèle est un modèle génératif uniquement décodeur.
  • tie_word_embeddings (bool, facultatif, valeur par défaut False) — Indique s'il faut lier les embeddings de poids selon la correspondance tied_weights_keys du modèle.
  • rope_parameters (Union[~modeling_rope_utils.RopeParameters, dict], facultatif) — Dictionnaire contenant les paramètres de configuration pour les embeddings RoPE. Le dictionnaire doit contenir une valeur pour rope_theta et, le cas échéant, les paramètres utilisés pour le mise à l’échelle si vous souhaitez utiliser RoPE avec des max_position_embeddings plus longs.
  • attention_bias (bool, facultatif, par défaut False) — Indique s'il faut utiliser un biais dans les couches de projection des requêtes, des clés, des valeurs et de la sortie lors de l'auto-attention.
  • attention_dropout (Union[float, int], facultatif, valeur par défaut 0.0) — Le taux de dropout appliqué aux probabilités d'attention.
  • moe_intermediate_size (int, facultatif, par défaut 1408) — Taille intermédiaire des MLP des experts routés.
  • num_experts_per_tok (int, facultatif, valeur par défaut 8) — Nombre d'experts auxquels chaque jeton doit être routé. Il s'agit de la valeur top-k pour le routage par choix de jeton.
  • output_router_logits (bool, facultatif, par défaut False) — Indique si les logits du routeur doivent être renvoyés par le modèle. L’activation de cette option permet également au modèle de renvoyer la perte auxiliaire, incluant la perte d’équilibrage de charge et la perte z du routeur.
  • n_shared_experts (int, facultatif, par défaut 1) — Nombre d'experts partagés.
  • n_routed_experts (int, facultatif, par défaut 128) — Nombre d'experts routés.
  • routed_scaling_factor (float, facultatif, par défaut 1.0) — Facteur d'échelle des experts routés.
  • n_group (int, facultatif, valeur par défaut 1) — Nombre de groupes pour les experts routés.
  • topk_group (int, facultatif, valeur par défaut 1) — Nombre de groupes sélectionnés pour chaque jeton (pour chaque jeton, garantissant que les experts sélectionnés ne se trouvent que dans topk_group groupes).
  • first_k_dense_replace (int, facultatif, valeur par défaut 1) — Nombre de couches denses dans les couches superficielles (embed->dense->dense->…->dense->moe->moe…->lm_head). --k couches denses—/
  • norm_topk_prob (bool, facultatif, valeur par défaut True) — Indique s'il faut normaliser les poids des experts routés.
  • use_qk_norm (bool, facultatif, valeur par défaut False) — Indique s'il faut utiliser la normalisation des requêtes et des clés dans l'attention.
  • bos_token_id (int, facultatif) — Identifiant du jeton utilisé pour le début de flux dans le vocabulaire.
  • eos_token_id (Union[int, list[int]], facultatif) — Identifiant du jeton utilisé pour la fin de flux dans le vocabulaire.
  • pad_token_id (int, facultatif) — Identifiant du jeton utilisé pour le bourrage dans le vocabulaire.
  • num_mtp_layers (int, facultatif, valeur par défaut 1) — Nombre de modules de prédiction multi-tokens (MTP) disponibles à ajouter après le modèle transformer de base. Si la valeur est 0, le modèle se comporte comme un décodeur standard. Si la valeur est >0, chaque module supplémentaire peut prédire un token futur supplémentaire au moment de l'inférence (décodage spéculatif via generate(..., use_mtp=True)).

Ceci est la classe de configuration destinée à stocker la configuration d'un Glm4MoeModel. Elle est utilisée pour instancier un modèle Glm4 Moe en fonction des arguments spécifiés, définissant ainsi l'architecture du modèle. L'instanciation d'une configuration avec les valeurs par défaut produira une configuration similaire à celle de zai-org/GLM-4.5

Les objets de configuration héritent de PreTrainedConfig et peuvent être utilisés pour contrôler les sorties du modèle. Consultez la documentation de PreTrainedConfig pour plus d’informations.

Exemple :

>>> 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.config

Glm4MoeModel

classe transformers.Glm4MoeModel

< >

( config: Glm4MoeConfig )

Paramètres

  • config (Glm4MoeConfig) — Classe de configuration du modèle contenant tous les paramètres du modèle. L’initialisation à partir d’un fichier de configuration ne charge pas les poids associés au modèle, uniquement la configuration. Consultez la méthode from_pretrained() pour charger les poids du modèle.

Le modèle Glm4 Moe brut, produisant des états cachés bruts sans aucune tête spécifique au sommet.

Ce modèle hérite de PreTrainedModel. Consultez la documentation de la classe parente pour les méthodes génériques que la bibliothèque implémente pour tous ses modèles (tels que le téléchargement ou l'enregistrement, le redimensionnement des embeddings d'entrée, la taille des têtes, etc.)

Ce modèle est également une sous-classe de torch.nn.Module de PyTorch. Utilisez-le comme un module PyTorch standard et consultez la documentation de PyTorch pour tout ce qui concerne l'utilisation et le comportement généraux.

forward

< >

( 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)

Paramètres

  • input_ids (torch.LongTensor de forme (batch_size, sequence_length), facultatif) — Indices des jetons de la séquence d'entrée dans le vocabulaire. Le bourrage (padding) sera ignoré par défaut.

    Les indices peuvent être obtenus à l'aide de AutoTokenizer. Consultez PreTrainedTokenizer.encode() et PreTrainedTokenizer.call() pour plus de détails.

    Qu'est-ce que les identifiants d'entrée ?

  • attention_mask (torch.Tensor de forme (batch_size, sequence_length), facultatif) — Masque pour éviter d'appliquer l'attention aux indices des jetons de bourrage. Les valeurs du masque sont choisies dans [0, 1]:
    • 1 pour les jetons qui ne sont pas masqués,
    • 0 pour les jetons masqués.

    Qu'est-ce que les masques d'attention ?

  • position_ids (torch.LongTensor de forme (batch_size, sequence_length), facultatif) — Indices des positions des jetons de chaque séquence d'entrée dans les embeddings de position. Sélectionnés dans l'intervalle [0, config.n_positions - 1].

    Qu'est-ce que les identifiants de position ?

  • past_key_values (~cache_utils.Cache, facultatif) — États cachés précalculés (clés et valeurs dans les blocs d'auto-attention et d'attention croisée) qui peuvent être utilisés pour accélérer le décodage séquentiel. Cela consiste généralement en la past_key_values retournée par le modèle à une étape antérieure du décodage, lorsque use_cache=True ou config.use_cache=True.

    Seule une instance de Cache est autorisée en entrée, consultez notre guide du cache kv. Si aucun past_key_values n'est transmis, DynamicCache sera initialisé par défaut.

    Le modèle produira le même format de cache qui est fourni en entrée.

    Si past_key_values sont utilisés, l’utilisateur doit fournir uniquement les input_ids non traités (ceux pour lesquels les états de clés et de valeurs passées n’ont pas été fournis à ce modèle) de forme (batch_size, unprocessed_length) au lieu de tous les input_ids de forme (batch_size, sequence_length).

  • inputs_embeds (torch.Tensor de forme (batch_size, sequence_length, hidden_size), facultatif) — Facultativement, au lieu de passer input_ids, vous pouvez choisir de passer directement une représentation intégrée. Cela est utile si vous souhaitez un meilleur contrôle sur la manière de convertir les indices input_ids en vecteurs associés que la matrice de recherche d’intégration interne du modèle.
  • use_cache (bool, facultatif) — Si défini sur True, les états clé-valeur past_key_values sont renvoyés et peuvent être utilisés pour accélérer le décodage (voir past_key_values).

Retourne

MoeModelOutputWithPast ou tuple(torch.Tensor)

Un MoeModelOutputWithPast ou un tuple de torch.Tensor (si return_dict=False est passé ou lorsque config.return_dict=False) comprenant divers éléments en fonction de la configuration (Glm4MoeConfig) et des entrées.

La méthode forward du modèle Glm4MoeModel redéfinit la méthode spéciale __call__.

Bien que la recette de la passe avant doive être définie dans cette fonction, il faut ensuite appeler l'instance Module plutôt que celle-ci, car la première gère l'exécution des étapes de prétraitement et de post-traitement, tandis que la seconde les ignore silencieusement.

  • last_hidden_state (torch.Tensor de forme (batch_size, sequence_length, hidden_size)) — Séquence d'états cachés à la sortie de la dernière couche du modèle.

  • past_key_values (Cache, facultatif, renvoyé lorsque use_cache=True est passé ou lorsque config.use_cache=True) — Il s’agit d’une instance de Cache. Pour plus de détails, consultez notre guide sur le cache kv.

    Contient des états cachés précalculés (clés et valeurs dans les blocs d'auto-attention et, le cas échéant, si config.is_encoder_decoder=True, dans les blocs d'attention croisée) qui peuvent être utilisés (voir l'entrée past_key_values) pour accélérer le décodage séquentiel.

  • hidden_states (tuple(torch.Tensor), facultatif, renvoyé lorsque output_hidden_states=True est passé ou lorsque config.output_hidden_states=True) — Tuple de torch.Tensor (un pour la sortie des embeddings, si le modèle possède une couche d’embedding, + un pour la sortie de chaque couche) de forme (batch_size, sequence_length, hidden_size).

    États cachés du modèle à la sortie de chaque couche, ainsi que les sorties d'incorporation initiales facultatives.

  • attentions (tuple(torch.Tensor), facultatif, renvoyé lorsque output_attentions=True est passé ou lorsque config.output_attentions=True) — Tuple de torch.Tensor (un par couche) de forme (batch_size, num_heads, sequence_length, sequence_length).

    Poids des attentions après le softmax d'attention, utilisés pour calculer la moyenne pondérée dans les têtes d'auto-attention.

  • router_logits (tuple(torch.Tensor), facultatif, renvoyé lorsque output_router_probs=True et config.add_router_probs=True sont passés ou lorsque config.output_router_probs=True) — Tuple de torch.Tensor (un par couche) de forme (batch_size, sequence_length, num_experts).

    Logits bruts du routeur (après softmax) calculés par les routeurs MoE, ces termes sont utilisés pour calculer la perte auxiliaire des modèles Mixture of Experts.

Glm4MoeForCausalLM

classe transformers.Glm4MoeForCausalLM

< >

( config: Glm4MoeConfig )

Paramètres

  • config (Glm4MoeConfig) — Classe de configuration du modèle contenant tous les paramètres du modèle. L’initialisation à partir d’un fichier de configuration ne charge pas les poids associés au modèle, uniquement la configuration. Consultez la méthode from_pretrained() pour charger les poids du modèle.

Le modèle Glm4 Moe pour la modélisation de langage causale.

Ce modèle hérite de PreTrainedModel. Consultez la documentation de la classe parente pour les méthodes génériques que la bibliothèque implémente pour tous ses modèles (tels que le téléchargement ou l'enregistrement, le redimensionnement des embeddings d'entrée, la taille des têtes, etc.)

Ce modèle est également une sous-classe de torch.nn.Module de PyTorch. Utilisez-le comme un module PyTorch standard et consultez la documentation de PyTorch pour tout ce qui concerne l'utilisation et le comportement généraux.

forward

< >

( 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)

Paramètres

  • input_ids (torch.LongTensor de forme (batch_size, sequence_length), facultatif) — Indices des jetons de la séquence d'entrée dans le vocabulaire. Le bourrage (padding) sera ignoré par défaut.

    Les indices peuvent être obtenus à l'aide de AutoTokenizer. Consultez PreTrainedTokenizer.encode() et PreTrainedTokenizer.call() pour plus de détails.

    Qu'est-ce que les identifiants d'entrée ?

  • attention_mask (torch.Tensor de forme (batch_size, sequence_length), facultatif) — Masque pour éviter d'appliquer l'attention aux indices des jetons de bourrage. Les valeurs du masque sont choisies dans [0, 1]:
    • 1 pour les jetons qui ne sont pas masqués,
    • 0 pour les jetons masqués.

    Qu'est-ce que les masques d'attention ?

  • position_ids (torch.LongTensor de forme (batch_size, sequence_length), facultatif) — Indices des positions des jetons de chaque séquence d'entrée dans les embeddings de position. Sélectionnés dans l'intervalle [0, config.n_positions - 1].

    Qu'est-ce que les identifiants de position ?

  • past_key_values (~cache_utils.Cache, facultatif) — États cachés précalculés (clés et valeurs dans les blocs d'auto-attention et d'attention croisée) qui peuvent être utilisés pour accélérer le décodage séquentiel. Cela consiste généralement en la past_key_values retournée par le modèle à une étape antérieure du décodage, lorsque use_cache=True ou config.use_cache=True.

    Seule une instance de Cache est autorisée en entrée, consultez notre guide du cache kv. Si aucun past_key_values n'est transmis, DynamicCache sera initialisé par défaut.

    Le modèle produira le même format de cache qui est fourni en entrée.

    Si past_key_values sont utilisés, l’utilisateur doit fournir uniquement les input_ids non traités (ceux pour lesquels les états de clés et de valeurs passées n’ont pas été fournis à ce modèle) de forme (batch_size, unprocessed_length) au lieu de tous les input_ids de forme (batch_size, sequence_length).

  • inputs_embeds (torch.Tensor de forme (batch_size, sequence_length, hidden_size), facultatif) — Facultativement, au lieu de passer input_ids, vous pouvez choisir de passer directement une représentation intégrée. Cela est utile si vous souhaitez un meilleur contrôle sur la manière de convertir les indices input_ids en vecteurs associés que la matrice de recherche d’intégration interne du modèle.
  • labels (torch.LongTensor de forme (batch_size, sequence_length), facultatif) — Étiquettes pour le calcul de la perte de modélisation de langage masquée. Les indices doivent être dans [0, ..., config.vocab_size] ou -100 (voir la docstring de input_ids). Les jetons dont l'indice est défini sur -100 sont ignorés (masqués), la perte n'est calculée que pour les jetons dont l'étiquette est dans [0, ..., config.vocab_size].
  • use_cache (bool, facultatif) — Si défini sur True, les états clé-valeur past_key_values sont renvoyés et peuvent être utilisés pour accélérer le décodage (voir past_key_values).
  • logits_to_keep (Union[int, torch.Tensor], facultatif, valeur par défaut 0) — Si c'est un int, calcule les logits pour les logits_to_keep derniers jetons. Si 0, calcule les logits pour tous les input_ids (cas particulier). Seuls les logits du dernier jeton sont nécessaires pour la génération, et les calculer uniquement pour ce jeton peut économiser de la mémoire, ce qui devient assez significatif pour les séquences longues ou les tailles de vocabulaire importantes. Si c'est un torch.Tensor, il doit être 1D et correspondre aux indices à conserver dans la dimension de la longueur de la séquence. Cela est utile lors de l'utilisation du format de tenseurs empilés (une seule dimension pour le lot et la longueur de la séquence).

Retourne

MoeCausalLMOutputWithPast ou tuple(torch.Tensor)

Un MoeCausalLMOutputWithPast ou un tuple de torch.Tensor (si return_dict=False est passé ou lorsque config.return_dict=False) comprenant divers éléments en fonction de la configuration (Glm4MoeConfig) et des entrées.

La méthode forward de Glm4MoeForCausalLM redéfinit la méthode spéciale __call__.

Bien que la recette de la passe avant doive être définie dans cette fonction, il faut ensuite appeler l'instance Module plutôt que celle-ci, car la première gère l'exécution des étapes de prétraitement et de post-traitement, tandis que la seconde les ignore silencieusement.

  • loss (torch.Tensor de forme (1,), facultatif, renvoyé lorsque labels est fourni) — Perte de modélisation du langage (pour la prédiction du jeton suivant).

  • logits (torch.Tensor de forme (batch_size, sequence_length, config.vocab_size)) — Scores de prédiction de la tête de modélisation du langage (scores pour chaque jeton du vocabulaire avant SoftMax).

  • aux_loss (torch.Tensor, facultatif, renvoyé lorsque output_router_logits=True est passé ou lorsque config.output_router_logits=True, et que le modèle entraîne son routeur avec une perte d’équilibrage de charge) — Perte auxiliaire d’équilibrage de charge pour les modules creux. Les modèles qui équilibrent leurs experts au moyen d’un biais de routeur à la place (DeepSeek-V3 et les architectures dérivées de celui-ci) renvoient None ici tout en renvoyant toujours router_logits.

  • router_logits (tuple(torch.Tensor), facultatif, renvoyé lorsque output_router_logits=True est passé ou lorsque config.output_router_logits=True) — Tuple de torch.Tensor (un pour chaque couche creuse) de forme (batch_size * sequence_length, num_experts).

    Logits bruts du routeur calculés par les routeurs MoE. Ils peuvent être utilisés pour calculer une perte d'équilibrage de charge ou pour inspecter la manière dont les jetons sont acheminés vers les experts.

  • past_key_values (Cache, facultatif, renvoyé lorsque use_cache=True est passé ou lorsque config.use_cache=True) — Il s’agit d’une instance de Cache. Pour plus de détails, consultez notre guide sur le cache kv.

    Contient des états cachés précalculés (clés et valeurs dans les blocs d'auto-attention) qui peuvent être utilisés (voir l'entrée past_key_values) pour accélérer le décodage séquentiel.

  • hidden_states (tuple(torch.Tensor), facultatif, renvoyé lorsque output_hidden_states=True est passé ou lorsque config.output_hidden_states=True) — Tuple de torch.Tensor (un pour la sortie des embeddings, si le modèle possède une couche d’embedding, + un pour la sortie de chaque couche) de forme (batch_size, sequence_length, hidden_size).

    États cachés du modèle à la sortie de chaque couche, ainsi que les sorties d'incorporation initiales facultatives.

  • attentions (tuple(torch.Tensor), facultatif, renvoyé lorsque output_attentions=True est passé ou lorsque config.output_attentions=True) — Tuple de torch.Tensor (un par couche) de forme (batch_size, num_heads, sequence_length, sequence_length).

    Poids des attentions après le softmax d'attention, utilisés pour calculer la moyenne pondérée dans les têtes d'auto-attention.

Exemple :

>>> 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."
Update on GitHub

←GLM-4-0414 GLM-4.7-Flash→