Transformers 文档
GLM-4.5, GLM-4.6, GLM-4.7
并获得增强的文档体验
开始使用
该模型于 2025-07-28 发布，并于 2025-07-21 添加到 Hugging Face Transformers。
GLM-4.5, GLM-4.6, GLM-4.7
概述
GLM-4.7、GLM-4.6 和 GLM-4.5 语言模型使用此类。Transformers 中的实现不包含 MTP 层。
GLM-4.7
GLM-4.7，您的新代码伙伴，带来了以下功能
- 核心编码：与前代 GLM-4.6 相比，GLM-4.7 在多语言智能体编码和基于终端的任务方面有了显著提升，包括在 SWE-bench 上（73.8%，+5.8%），在 SWE-bench Multilingual 上（66.7%，+12.9%），以及在 Terminal Bench 2.0 上（41%，+16.5%）。GLM-4.7 还支持“先思考后行动”，在 Claude Code、Kilo Code、Cline 和 Roo Code 等主流智能体框架的复杂任务上取得了显著改进。
- Vibe Coding：GLM-4.7 在提高 UI 质量方面迈出了重要一步。它能生成更简洁、更现代的网页，并生成外观更佳的幻灯片，布局和尺寸也更加精确。
- 工具使用：GLM-4.7 在工具使用方面取得了显著的进步。在 τ^2-Bench 等基准测试以及通过 BrowseComp 进行的网络浏览方面，其性能都有了显著提升。
- 复杂推理：GLM-4.7 在数学和推理能力方面有了大幅提升，在 HLE（Humanity’s Last Exam）基准测试上相较于 GLM-4.6 取得了（42.8%，+12.4%）的成绩。
更广泛地说，您还会看到在聊天、创意写作和角色扮演场景等许多其他场景中都有显著的改进。
交错思考 & 保留思考
GLM-4.7 进一步增强了交错思考（自 GLM-4.5 起引入的功能），并引入了保留思考和回合级思考。通过在行动之间进行思考并在回合之间保持一致，它使得复杂任务更加稳定和可控。
- 交错思考：模型在每次响应和工具调用之前都会进行思考，提高了指令遵循能力和生成质量。
- 保留思考：在编码智能体场景中，模型会自动保留多轮对话中的所有思考块，重复使用现有推理，而不是从头开始重新推导。这减少了信息丢失和不一致性，非常适合长期、复杂的任务。
- 回合级思考：模型支持在一个会话中对每个回合的推理进行控制——对于轻量级请求禁用思考以降低延迟/成本，对于复杂任务启用思考以提高准确性和稳定性。
更多详情：https://docs.z.ai/guides/capabilities/thinking-mode
有关更多评估结果、案例研究和技术细节，请访问GLM-4.7 技术博客。
GLM-4.6
与 GLM-4.5 相比，GLM-4.6 带来了几项关键改进
- 更长的上下文窗口：上下文窗口已从 128K 扩展到 200K token，使模型能够处理更复杂的智能体任务。
- 卓越的编码性能：该模型在代码基准测试中取得了更高的分数，并在 Claude Code、Cline、Roo Code 和 Kilo Code 等应用中展现出更强的实际性能，包括在生成视觉上精美的前端页面方面的改进。
- 高级推理：GLM-4.6 在推理性能方面有明显提升，并支持推理过程中的工具使用，从而提高了整体能力。
- 更强大的智能体：GLM-4.6 在工具使用和基于搜索的智能体方面表现更强，并且能更有效地集成到智能体框架中。
- 精炼的写作：在风格和可读性方面更符合人类偏好，并在角色扮演场景中表现更自然。
我们使用涵盖智能体、推理和编码的八个公共基准测试对 GLM-4.6 进行了评估。结果显示其相较于 GLM-4.5 有明显提升，并且 GLM-4.6 在与DeepSeek-V3.1-Terminus和Claude Sonnet 4等领先的国内外模型相比时也具有竞争力。
有关更多评估结果、案例研究和技术细节，请访问GLM-4.6 技术博客。
GLM-4.5
GLM-4.5 系列模型是专为智能体设计的基座模型，MoE 变体在此处记录为 Glm4Moe。
GLM-4.5 拥有3550亿总参数，其中320亿为激活参数，而 GLM-4.5-Air 采用了更紧凑的设计，拥有1060亿总参数和120亿激活参数。GLM-4.5 模型统一了推理、编码和智能体能力，以满足智能体应用的复杂需求。
GLM-4.5 和 GLM-4.5-Air 均为混合推理模型，提供两种模式：用于复杂推理和工具使用的思考模式，以及用于即时响应的非思考模式。
我们已对 GLM-4.5 和 GLM-4.5-Air 的基座模型、混合推理模型以及混合推理模型的 FP8 版本进行了开源。它们在 MIT 开源协议下发布，可用于商业用途和二次开发。
正如我们在 12 个行业标准基准测试中的全面评估所示，GLM-4.5 取得了63.2的卓越成绩，在所有专有和开源模型中排名第 3。值得注意的是，GLM-4.5-Air 在保持卓越效率的同时，也取得了59.8的竞争力。
有关更多评估结果、案例研究和技术细节，请访问我们的技术报告或技术博客。
模型代码、工具解析器和推理解析器可以在 transformers、vLLM 和 SGLang 的实现中找到。
Glm4MoeConfig
class transformers.Glm4MoeConfig
< source >( vocab_size: int | None = 151552 hidden_size: int | None = 4096 intermediate_size: int | None = 10944 num_hidden_layers: int | None = 46 num_attention_heads: int | None = 96 num_key_value_heads: int | None = 8 hidden_act: str | None = 'silu' max_position_embeddings: int | None = 131072 initializer_range: float | None = 0.02 rms_norm_eps: int | None = 1e-05 use_cache: bool | None = True tie_word_embeddings: bool | None = False rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict[str, transformers.modeling_rope_utils.RopeParameters] | None = None attention_bias: bool | None = False attention_dropout: float | None = 0.0 moe_intermediate_size: int | None = 1408 num_experts_per_tok: int | None = 8 n_shared_experts: int | None = 1 n_routed_experts: int | None = 128 routed_scaling_factor: float | None = 1.0 n_group: int | None = 1 topk_group: int | None = 1 first_k_dense_replace: int | None = 1 norm_topk_prob: bool | None = True use_qk_norm: bool | None = False bos_token_id: int | None = None eos_token_id: int | None = None pad_token_id: int | None = None **kwargs )
参数
- vocab_size (
int, optional, defaults to 151552) — Glm4Moe 模型的词汇量。定义传递给 Glm4MoeModel 的inputs_ids时可以表示的不同 token 的数量。 - hidden_size (
int, optional, defaults to 4096) — Transformer 编码器隐藏表示的维度。 - intermediate_size (
int, optional, defaults to 10944) — MLP 表示的维度。 - num_hidden_layers (
int, optional, defaults to 46) — Transformer 编码器中的隐藏层数量。 - num_attention_heads (
int, optional, defaults to 96) — Transformer 编码器每个注意力层的注意力头数。 - num_key_value_heads (
int, optional, defaults to 8) — 实现分组查询注意力所需使用的 key_value 头数。如果num_key_value_heads=num_attention_heads，模型将使用多头注意力 (MHA)；如果num_key_value_heads=1，模型将使用多查询注意力 (MQA)；否则使用 GQA。在将多头检查点转换为 GQA 检查点时，每个分组的 key 和 value 头应通过对该组内的所有原始头进行平均池化来构建。更多详情，请参阅本文档。如果未指定，将默认为32。 - hidden_act (
strorfunction, optional, defaults to"silu") — 解码器中的非线性激活函数（函数或字符串）。 - max_position_embeddings (
int, optional, defaults to 131072) — 此模型可能使用的最大序列长度。 - initializer_range (
float, optional, defaults to 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - rms_norm_eps (
float, optional, defaults to 1e-05) — rms 归一化层使用的 epsilon。 - use_cache (
bool, optional, defaults toTrue) — 模型是否应返回最后一个 key/values 注意力（并非所有模型都使用）。仅在config.is_decoder=True时相关。 - tie_word_embeddings (
bool, optional, defaults toFalse) — 模型输入和输出词嵌入是否应被绑定。 - rope_parameters (
RopeParameters, optional) — 包含 RoPE 嵌入配置参数的字典。该字典应包含rope_theta的值，以及可选的用于缩放的参数，以防您希望将 RoPE 与更长的max_position_embeddings一起使用。 - attention_bias (
bool, 默认False, 可选, 默认False) — 在自注意力机制的查询、键、值和输出投影层中使用偏置。 - attention_dropout (
float, 可选, 默认 0.0) — 注意力概率的 dropout 比率。 - moe_intermediate_size (
int, 可选, 默认 1408) — 路由专家中间层的大小。 - num_experts_per_tok (
int, 可选, 默认 8) — 每个 token 的专家数量。 - n_shared_experts (
int, 可选, 默认 1) — 共享专家的数量。 - n_routed_experts (
int, 可选, 默认 128) — 路由专家的数量。 - routed_scaling_factor (
float, 可选, 默认 1.0) — 路由专家的缩放因子。 - n_group (
int, 可选, 默认 1) — 路由专家的组数。 - topk_group (
int, 可选, 默认 1) — 每个 token 选择的组数（对于每个 token，确保选择的专家仅在topk_group组内）。 - first_k_dense_replace (
int, 可选, 默认 1) — 浅层中的密集层数量（embed->dense->dense->…->dense->moe->moe…->lm_head）。--k 个密集层—/ - norm_topk_prob (
bool, 可选, 默认True) — 是否对 topk 概率进行归一化。 - use_qk_norm (
bool, 可选, 默认False) — 是否在注意力机制中使用查询-键归一化。 - bos_token_id (
int, 可选) — 起始符 token ID。 - eos_token_id (
int, 可选) — 结束符 token ID。 - pad_token_id (
int, 可选) — 填充符 token ID。
这是用于存储 Glm4MoeModel 配置的类。它用于根据指定的参数实例化一个 Glm4Moe 模型，定义了模型的架构。使用默认值实例化一个配置将产生一个与 THUDM/GLM-4-100B-A10B 类似的配置。
配置对象继承自 PreTrainedConfig，可用于控制模型输出。有关更多信息，请阅读 PreTrainedConfig 的文档。
>>> 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
class transformers.Glm4MoeModel
< source >( config: Glm4MoeConfig )
参数
- config (Glm4MoeConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化只加载配置，不加载模型权重。请查看 from_pretrained() 方法来加载模型权重。
Bare Glm4 Moe 模型，输出原始 hidden-states，不带任何特定顶部头。
此模型继承自 PreTrainedModel。查看其父类文档，了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、修剪头等）。
此模型也是一个 PyTorch torch.nn.Module 子类。像普通的 PyTorch Module 一样使用它，并参考 PyTorch 文档了解一般用法和行为的所有相关信息。
forward
< source >( input_ids: torch.LongTensor | None = None attention_mask: torch.Tensor | None = None position_ids: torch.LongTensor | None = None past_key_values: transformers.cache_utils.Cache | None = None inputs_embeds: torch.FloatTensor | None = None cache_position: torch.LongTensor | None = None use_cache: bool | None = None **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → transformers.modeling_outputs.BaseModelOutputWithPast or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor，形状为(batch_size, sequence_length), 可选) — 词汇表中输入序列 token 的索引。默认情况下将忽略填充。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor，形状为(batch_size, sequence_length), 可选) — 掩码，用于避免对填充 token 索引执行注意力。掩码值选择在[0, 1]：- 1 表示未掩码的 token，
- 0 表示已掩码的 token。
- position_ids (
torch.LongTensor，形状为(batch_size, sequence_length), 可选) — 位置嵌入中每个输入序列 token 的位置索引。选择范围为[0, config.n_positions - 1]。 - past_key_values (
~cache_utils.Cache, 可选) — 预计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常由模型在先前的解码阶段返回的past_key_values组成，当use_cache=True或config.use_cache=True时。只允许 Cache 实例作为输入，请参阅我们的 kv 缓存指南。如果不传入
past_key_values，则默认初始化 DynamicCache。模型将输出与输入相同的缓存格式。
如果使用了
past_key_values，则用户需要仅传入未处理的input_ids（即尚未传递其过去键值状态给此模型的input_ids），形状为(batch_size, unprocessed_length)，而不是所有input_ids的形状(batch_size, sequence_length)。 - inputs_embeds (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size), 可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递input_ids。如果您想比模型的内部嵌入查找矩阵更精细地控制如何将input_ids索引转换为关联向量，这将很有用。 - cache_position (
torch.LongTensor，形状为(sequence_length), 可选) — 描绘输入序列 token 在序列中位置的索引。与position_ids不同，此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。 - use_cache (
bool, 可选) — 如果设置为True，则返回past_key_values键值状态，并可用于加速解码（请参阅past_key_values）。
返回
transformers.modeling_outputs.BaseModelOutputWithPast or tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPast 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (Glm4MoeConfig) 和输入而变化的各种元素。
-
last_hidden_state (
torch.FloatTensor, 形状为(batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。如果使用了
past_key_values，则只输出形状为(batch_size, 1, hidden_size)的序列的最后一个隐藏状态。 -
past_key_values (
Cache, optional, 当传递use_cache=True或当config.use_cache=True时返回) — 它是 Cache 实例。更多详情，请参阅我们的 kv cache 指南。Contains pre-computed hidden-states (key and values in the self-attention blocks and optionally if
config.is_encoder_decoder=Truein the cross-attention blocks) that can be used (seepast_key_valuesinput) to speed up sequential decoding. -
hidden_states (
tuple(torch.FloatTensor), optional, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入层的输出，如果模型有嵌入层；+一个用于每个层的输出），形状为(batch_size, sequence_length, hidden_size)。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor), optional, 当传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor的元组（每个层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。
重写 __call__ 特殊方法的 Glm4MoeModel 前向方法。
虽然 forward pass 的实现需要在此函数中定义，但你应该在之后调用
Module实例而不是这个，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
Glm4MoeForCausalLM
class transformers.Glm4MoeForCausalLM
< 源码 >( config model_args: ~utils.generic.ModelArgs | None = None adapter_args: ~utils.generic.AdapterArgs | None = None lora_args: ~utils.generic.LoRAArgs | None = None tokenizer_args: ~utils.generic.TokenizerArgs | None = None dataset_args: ~utils.generic.DatasetArgs | None = None data_args: ~utils.generic.DataArgs | None = None training_args: ~utils.generic.TrainingArgs | None = None generation_args: ~utils.generic.GenerationArgs | None = None vision_tower_args: ~utils.generic.VisionTowerArgs | None = None qlora_args: ~utils.generic.QLoRAArgs | None = None vision_tower_template_args: ~utils.generic.VisionTowerTemplateArgs | None = None video_tower_args: ~utils.generic.VideoTowerArgs | None = None vision_config: ~utils.generic.VisionConfig | None = None video_config: ~utils.generic.VideoConfig | None = None load_dataset: bool | None = None load_data_collator: bool | None = None load_processor: bool | None = None load_lora_adapter: bool | None = None load_adapter: bool | None = None load_qlora_adapter: bool | None = None **kwargs: typing_extensions.Unpack[transformers.modeling_utils.PreTrainedModelKwargs] )
参数
- config (Glm4MoeForCausalLM) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。请查看 from_pretrained() 方法来加载模型权重。
GLM4 MOE 模型，用于因果语言建模。
此模型继承自 PreTrainedModel。查看其父类文档，了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、修剪头等）。
此模型也是一个 PyTorch torch.nn.Module 子类。像普通的 PyTorch Module 一样使用它，并参考 PyTorch 文档了解一般用法和行为的所有相关信息。
forward
< 源码 >( input_ids: torch.LongTensor | None = None attention_mask: torch.Tensor | None = None position_ids: torch.LongTensor | None = None past_key_values: transformers.cache_utils.Cache | None = None inputs_embeds: torch.FloatTensor | None = None labels: torch.LongTensor | None = None use_cache: bool | None = None cache_position: torch.LongTensor | None = None logits_to_keep: int | torch.Tensor = 0 **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor, shape(batch_size, sequence_length), optional) — 词汇表中输入序列 token 的索引。默认情况下，填充将被忽略。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor, shape(batch_size, sequence_length), optional) — 用于避免对填充 token 索引执行 attention 的掩码。掩码值选择在[0, 1]中：- 1 表示 **未被掩码** 的 token，
- 0 表示 **被掩码** 的 token。
- position_ids (
torch.LongTensor, shape(batch_size, sequence_length), optional) — 每个输入序列 token 在位置嵌入中的索引。选择范围为[0, config.n_positions - 1]。 - past_key_values (
~cache_utils.Cache, optional) — 可以用来加速顺序解码的预计算隐藏状态（自注意力块和交叉注意力块中的键和值）。这通常是由模型在解码的先前阶段返回的past_key_values，当use_cache=True或config.use_cache=True时。只允许使用 Cache 实例，请参阅我们的 kv 缓存指南。如果未传入
past_key_values，默认将初始化 DynamicCache。模型将输出与输入相同的缓存格式。
如果使用了
past_key_values，用户应只输入未处理的input_ids（其过去键值状态未提供给此模型的那些），形状为(batch_size, unprocessed_length)，而不是所有input_ids（形状为(batch_size, sequence_length)）。 - inputs_embeds (
torch.FloatTensor, shape(batch_size, sequence_length, hidden_size), optional) — 可选地，代替传递input_ids，您可以选择直接传递嵌入表示。如果您想对如何将input_ids索引转换为相关向量进行比模型内部嵌入查找矩阵更多的控制，这会很有用。 - labels (
torch.LongTensor, shape(batch_size, sequence_length), optional) — 用于计算掩码语言模型损失的标签。索引应为[0, ..., config.vocab_size]或 -100（参见input_ids文档字符串）。索引设置为-100的 token 被忽略（掩码），损失仅为标签在[0, ..., config.vocab_size]中的 token 计算。 - use_cache (
bool, optional) — 如果设置为True，则返回past_key_values键值状态，可用于加速解码（参见past_key_values）。 - cache_position (
torch.LongTensor, shape(sequence_length), optional) — 指示输入序列 token 在序列中位置的索引。与position_ids不同，此张量不受填充影响。它用于在正确位置更新缓存并推断完整序列长度。 - logits_to_keep (
Union[int, torch.Tensor], optional, 默认值0) — 如果是int，则计算最后logits_to_keep个 token 的 logits。如果为0，则计算所有input_ids的 logits（特殊情况）。仅生成需要最后一个 token 的 logits，并且仅为该 token 计算它们可以节省内存，这对于长序列或大词汇量来说非常可观。如果为torch.Tensor，必须是 1D 的，对应于序列长度维度中的索引。当使用打包张量格式（批次和序列长度的单维度）时，这很有用。
返回
transformers.modeling_outputs.CausalLMOutputWithPast or tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.CausalLMOutputWithPast 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含各种元素，具体取决于配置（Glm4MoeConfig）和输入。
-
loss (
torch.FloatTensor形状为(1,)，可选，当提供labels时返回) — 语言建模损失（用于下一个 token 预测）。 -
logits (形状为
(batch_size, sequence_length, config.vocab_size)的torch.FloatTensor) — 语言建模头部的预测分数（SoftMax 之前的每个词汇标记的分数）。 -
past_key_values (
Cache, optional, 当传递use_cache=True或当config.use_cache=True时返回) — 它是 Cache 实例。更多详情，请参阅我们的 kv cache 指南。包含预计算的隐藏状态（自注意力块中的键和值），可用于（参见
past_key_values输入）加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor), optional, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入层的输出，如果模型有嵌入层；+一个用于每个层的输出），形状为(batch_size, sequence_length, hidden_size)。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor), optional, 当传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor的元组（每个层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。
Glm4MoeForCausalLM 的 forward 方法，覆盖了 __call__ 特殊方法。
虽然 forward pass 的实现需要在此函数中定义，但你应该在之后调用
Module实例而不是这个，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
示例
>>> 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."