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 年 8 月 8 日在 HF papers 上发布，并于 2025 年 7 月 21 日贡献给 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，您的全新编程伙伴，具备以下特性：
- 核心编码 (Core Coding)：相比前代 GLM-4.6，GLM-4.7 在多语言代理编码和基于终端的任务中取得了显著进步，包括 SWE-bench 上达到 73.8%（+5.8%），SWE-bench Multilingual 上达到 66.7%（+12.9%），以及 Terminal Bench 2.0 上达到 41%（+16.5%）。GLM-4.7 还支持“先思考后行动”，在 Claude Code、Kilo Code、Cline 和 Roo Code 等主流代理框架的复杂任务上表现出显著改进。
- Vibe Coding：GLM-4.7 在提升 UI 质量方面迈出了一大步。它能生成更简洁、更现代的网页，并制作出布局和尺寸更精确、视觉效果更好的幻灯片。
- 工具使用 (Tool Using)：GLM-4.7 在工具使用方面实现了显著提升。在 τ^2-Bench 等基准测试以及通过 BrowseComp 进行的网页浏览任务中，表现均有明显改善。
- 复杂推理 (Complex Reasoning)：GLM-4.7 在数学和推理能力方面有大幅提升，在 HLE (Humanity’s Last Exam) 基准测试上达到了 42.8%（+12.4%），较 GLM-4.6 有明显突破。
更广泛地说，在聊天、创意写作和角色扮演等许多其他场景中，也能观察到显著的改进。
交错式思考 (Interleaved Thinking) 与 保留式思考 (Preserved Thinking)
GLM-4.7 进一步增强了交错式思考（自 GLM-4.5 起引入的功能），并引入了保留式思考和轮次级思考。通过在行动之间进行思考并保持跨轮次的一致性，它使复杂任务的处理更加稳定和可控。
- 交错式思考：模型在每次响应和调用工具前都会进行思考，从而提高指令遵循能力和生成质量。
- 保留式思考：在编程代理场景中，模型会自动保留多轮对话中的所有思考模块，重用现有的推理过程，而不是从头开始重新推导。这减少了信息丢失和不一致性，非常适合长时程的复杂任务。
- 轮次级思考：模型支持在会话中按轮次控制推理——对于轻量级请求可禁用思考以降低延迟/成本，对于复杂任务则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
欲了解更多评估结果、展示案例和技术细节，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：上下文窗口从 128K 扩展到 200K token，使模型能够处理更复杂的代理任务。
- 卓越的编程性能：该模型在代码基准测试中获得了更高分数，并在 Claude Code、Cline、Roo Code 和 Kilo Code 等应用中展示了更好的实际表现，包括在生成视觉精美的前端页面方面的改进。
- 高级推理：GLM-4.6 在推理性能上有明显提升，并支持推理过程中的工具使用，从而具备更强的整体能力。
- 更强大的代理能力：GLM-4.6 在工具使用和基于搜索的代理方面表现出更强性能，并能更有效地集成到代理框架中。
- 精炼写作：在风格和可读性上更符合人类偏好，在角色扮演场景中表现得更自然。
我们对 GLM-4.6 进行了涵盖代理、推理和编码的八项公开基准测试评估。结果显示出相对于 GLM-4.5 的明显收益，同时 GLM-4.6 在与 DeepSeek-V3.1-Terminus 和 Claude Sonnet 4 等国内外领先模型相比时，也具备竞争优势。
欲了解更多评估结果、展示案例和技术细节，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代理设计的基座模型，其 MoE 变体记录为 Glm4Moe。
GLM-4.5 总参数量为 3550 亿，激活参数量为 320 亿；而 GLM-4.5-Air 采用了更紧凑的设计，总参数量为 1060 亿，激活参数量为 120 亿。GLM-4.5 模型统一了推理、编码和智能代理能力，以满足智能代理应用对复杂性的需求。
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”。
我们已开源 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。它们基于 MIT 开源协议发布，可用于商业用途和二次开发。
正如我们在 12 项行业标准基准测试中的全面评估所展示的，GLM-4.5 凭借 63.2 的得分取得了卓越的表现，在所有私有和开源模型中位列 第 3 名。值得注意的是，GLM-4.5-Air 在保持卓越效率的同时，也达到了 59.8 的竞争性分数。
欲了解更多评估结果、展示案例和技术细节，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在 transformers、vLLM 和 SGLang 的实现中找到。
Glm4MoeConfig
class transformers.Glm4MoeConfig
< source >( transformers_version: str | None = None architectures: list[str] | None = None output_hidden_states: bool | None = False return_dict: bool | None = True dtype: typing.Union[str, ForwardRef('torch.dtype'), NoneType] = None chunk_size_feed_forward: int = 0 is_encoder_decoder: bool = False id2label: dict[int, str] | dict[str, str] | None = None label2id: dict[str, int] | dict[str, str] | None = None problem_type: typing.Optional[typing.Literal['regression', 'single_label_classification', 'multi_label_classification']] = None vocab_size: int = 151552 hidden_size: int = 4096 intermediate_size: int = 10944 num_hidden_layers: int = 46 num_attention_heads: int = 96 num_key_value_heads: int = 8 hidden_act: str = 'silu' max_position_embeddings: int = 131072 initializer_range: float = 0.02 rms_norm_eps: float = 1e-05 use_cache: bool = True tie_word_embeddings: bool = False rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None attention_bias: bool = False attention_dropout: float | int = 0.0 moe_intermediate_size: int = 1408 num_experts_per_tok: int = 8 n_shared_experts: int = 1 n_routed_experts: int = 128 routed_scaling_factor: float = 1.0 n_group: int = 1 topk_group: int = 1 first_k_dense_replace: int = 1 norm_topk_prob: bool = True use_qk_norm: bool = False bos_token_id: int | None = None eos_token_id: int | list[int] | None = None pad_token_id: int | None = None )
参数
- vocab_size (
int, 可选, 默认为151552) — 模型词汇表大小。定义了input_ids可以表示的不同 token 的数量。 - hidden_size (
int, 可选, 默认为4096) — 隐藏层表示的维度。 - intermediate_size (
int, 可选, 默认为10944) — MLP 表示的维度。 - num_hidden_layers (
int, 可选, 默认为46) — Transformer 解码器中的隐藏层数量。 - num_attention_heads (
int, 可选, 默认为96) — Transformer 解码器中每个注意力层的注意力头数量。 - num_key_value_heads (
int, 可选, 默认为8) — 用于实现分组查询注意力 (Grouped Query Attention) 的 key_value 头数量。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。当将多头检查点转换为 GQA 检查点时，每个组的 key 和 value 头应通过对该组内的所有原始头进行均值池化来构建。更多详细信息，请查看 这篇论文。如果未指定，默认为num_attention_heads。 - hidden_act (
str, 可选, 默认为silu) — 解码器中的非线性激活函数（函数或字符串）。例如："gelu"、"relu"、"silu"等。 - max_position_embeddings (
int, 可选, 默认为131072) — 此模型可能使用的最大序列长度。 - initializer_range (
float, 可选, 默认为0.02) — 用于初始化所有权重矩阵的截断正态分布初始化器 (truncated_normal_initializer) 的标准差。 - rms_norm_eps (
float, 可选, 默认为1e-05) — RMS 归一化层使用的 epsilon 值。 - use_cache (
bool, 可选, 默认为True) — 模型是否应返回最后的 key/values 注意力（并非所有模型都使用）。仅在config.is_decoder=True或模型是纯解码器的生成模型时相关。 - tie_word_embeddings (
bool, 可选, 默认为False) — 是否根据模型的tied_weights_keys映射绑定权重嵌入。 - rope_parameters (
Union[~modeling_rope_utils.RopeParameters, dict], 可选) — 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）如果您想在更长的max_position_embeddings下使用 RoPE 时所需的缩放参数。 - attention_bias (
bool, 可选, 默认为False) — 在自注意力机制期间，是否在查询、键、值和输出投影层中使用偏置。 - attention_dropout (
Union[float, int], 可选, 默认为0.0) — 注意力概率的丢弃率。 - moe_intermediate_size (
int, 可选, 默认为1408) — 路由专家 MLP 的中间大小。 - num_experts_per_tok (
int, 可选, 默认为8) — 每个 token 要路由到的专家数量。这是 token 选择路由的 top-k 值。 - n_shared_experts (
int, 可选, 默认为1) — 共享专家数量。 - n_routed_experts (
int, 可选, 默认为128) — 路由专家数量。 - routed_scaling_factor (
float, 可选, 默认为1.0) — 路由专家的缩放因子。 - n_group (
int, 可选, 默认为 1) — 路由专家的组数。 - topk_group (
int, 可选, 默认为1) — 每个 token 选择的组数（对于每个 token，确保所选专家仅在topk_group组内）。 - first_k_dense_replace (
int, 可选, 默认为 1) — 浅层中的稠密层数量 (embed->dense->dense->…->dense->moe->moe…->lm_head)。--k 稠密层--/ - norm_topk_prob (
bool, 可选, 默认为True) — 是否对路由专家的权重进行归一化。 - use_qk_norm (
bool, 可选, 默认为False) — 注意力机制中是否使用 Query-Key 归一化。 - bos_token_id (
int, 可选) — 词汇表中用于流开始 (beginning-of-stream) 的 token ID。 - eos_token_id (
Union[int, list[int]], 可选) — 词汇表中用于流结束 (end-of-stream) 的 token ID。 - pad_token_id (
int, 可选) — 词汇表中用于填充 (padding) 的 token ID。
这是用于存储 Glm4MoeModel 配置的配置类。它根据指定的参数实例化一个 Glm4 Moe 模型，从而定义模型架构。使用默认值实例化配置将产生与 zai-org/GLM-4.5 类似的配置。
配置对象继承自 PreTrainedConfig，可用于控制模型输出。阅读 PreTrainedConfig 的文档以获取更多信息。
示例
>>> 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不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
原始的 Glm4 Moe 模型，输出原始隐藏状态，顶部没有任何特定的头。
该模型继承自 PreTrainedModel。请查看超类文档以了解该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、剪枝头部等）。
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 use_cache: bool | None = None **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (形状为
(batch_size, sequence_length)的torch.LongTensor, 可选) — 词汇表中输入序列 token 的索引。填充 (padding) 默认将被忽略。索引可以使用 AutoTokenizer 获取。详情请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (形状为
(batch_size, sequence_length)的torch.Tensor, 可选) — 用于避免对填充 token 索引执行注意力操作的掩码。掩码值选自[0, 1]：- 1 表示未被掩码的 token，
- 0 表示被掩码的 token。
- position_ids (形状为
(batch_size, sequence_length)的torch.LongTensor, 可选) — 输入序列中每个 token 在位置嵌入中的位置索引。选自范围[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），可用于加速序列解码。这通常包括在use_cache=True或config.use_cache=True时，模型在前一解码阶段返回的past_key_values。仅允许使用 Cache 实例作为输入，请参阅我们的 kv cache 指南。如果未传递
past_key_values，默认将初始化 DynamicCache。模型将输出与作为输入馈送的缓存格式相同的缓存。
如果使用了
past_key_values，用户应仅输入未处理的input_ids（那些状态尚未提供给此模型的input_ids），其形状为(batch_size, unprocessed_length)，而不是形状为(batch_size, sequence_length)的所有input_ids。 - inputs_embeds (形状为
(batch_size, sequence_length, hidden_size)的torch.FloatTensor, 可选) — （可选）您可以选择直接传递嵌入表示，而不是传递input_ids。如果您想比模型内部的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，这非常有用。 - use_cache (
bool, 可选) — 如果设置为True，将返回past_key_values键值状态，并可用于加速解码（参见past_key_values）。
返回
BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
一个 BaseModelOutputWithPast 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或 config.return_dict=False），根据配置 (Glm4MoeConfig) 和输入包含各种元素。
Glm4MoeModel 前向传播方法，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。
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，*可选*，当传入use_cache=True或config.use_cache=True时返回) — 这是一个 Cache 实例。欲了解更多细节，请参阅我们的 KV 缓存指南。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。
Glm4MoeForCausalLM
class transformers.Glm4MoeForCausalLM
< source >( 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。查看 from_pretrained() 方法以加载模型权重。
用于因果语言建模的 Glm4 Moe 模型。
该模型继承自 PreTrainedModel。请查看超类文档以了解该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、剪枝头部等）。
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 labels: torch.LongTensor | None = None use_cache: bool | None = None logits_to_keep: int | torch.Tensor = 0 **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → CausalLMOutputWithPast or tuple(torch.FloatTensor)
参数
- input_ids (形状为
(batch_size, sequence_length)的torch.LongTensor, 可选) — 词汇表中输入序列 token 的索引。填充 (padding) 默认将被忽略。索引可以使用 AutoTokenizer 获取。详情请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (形状为
(batch_size, sequence_length)的torch.Tensor, 可选) — 用于避免对填充 token 索引执行注意力操作的掩码。掩码值选自[0, 1]：- 1 表示未被掩码的 token，
- 0 表示被掩码的 token。
- position_ids (形状为
(batch_size, sequence_length)的torch.LongTensor, 可选) — 输入序列中每个 token 在位置嵌入中的位置索引。选自范围[0, config.n_positions - 1]。 - past_key_values (
~cache_utils.Cache, 可选) — 预计算的隐藏状态（自注意力模块和交叉注意力模块中的键值），可用于加速序列解码。当use_cache=True或config.use_cache=True时，这通常由模型在前一个解码阶段返回的past_key_values组成。输入仅允许使用 Cache 实例，请参阅我们的 kv cache 指南。如果没有传入
past_key_values，默认将初始化为 DynamicCache。模型将输出与输入时相同格式的缓存。
如果使用了
past_key_values，用户应仅输入未处理的input_ids（即那些尚未向模型提供过去键值状态的输入），其形状应为(batch_size, unprocessed_length)，而不是形状为(batch_size, sequence_length)的全部input_ids。 - inputs_embeds (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size)，可选) — 可选参数，你可以选择直接传入嵌入表示，而不是传入input_ids。如果你想比模型内部的嵌入查找矩阵更精细地控制如何将input_ids索引转换为相关向量，这会非常有用。 - labels (
torch.LongTensor，形状为(batch_size, sequence_length)，可选) — 用于计算掩码语言模型损失的标签。索引应位于[0, ..., config.vocab_size]之间或设为 -100（请参阅input_ids文档字符串）。索引设置为-100的标记将被忽略（掩码处理），损失仅针对标签在[0, ..., config.vocab_size]范围内的标记进行计算。 - use_cache (
bool，可选) — 如果设置为True，则会返回past_key_values键值状态，并可用于加速解码（参见past_key_values）。 - logits_to_keep (
Union[int, torch.Tensor]，可选，默认为0) — 如果为int，则仅计算最后logits_to_keep个标记的 Logits。如果为0，则计算所有input_ids的 Logits（特殊情况）。生成时仅需要最后一个标记的 Logits，仅针对该标记进行计算可以节省内存，这对于长序列或大词汇表大小的情况尤为显著。如果为torch.Tensor，则必须是对应于序列长度维度中要保留的索引的一维张量。这在使用打包（packed）张量格式（批次和序列长度使用单一维度）时非常有用。
返回
CausalLMOutputWithPast or tuple(torch.FloatTensor)
一个 CausalLMOutputWithPast 对象或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），根据配置（Glm4MoeConfig）和输入的不同，包含各种元素。
Glm4MoeForCausalLM 的 forward 方法，重写了 __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。
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，*可选*，当传入use_cache=True或config.use_cache=True时返回) — 这是一个 Cache 实例。欲了解更多细节，请参阅我们的 KV 缓存指南。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。
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."