Transformers 文档

GlmImage

Transformers

加入 Hugging Face 社区

并获得增强的文档体验

在模型、数据集和 Spaces 上进行协作

通过加速推理获得更快的示例

切换文档主题

开始使用

此模型于 2026-01-10 发布，并于 2026-01-13 添加到 Hugging Face Transformers。

GlmImage

概述

GLM-Image 是一个图像生成模型，它采用了混合自回归 + 扩散解码器架构，有效提升了视觉保真度和精细细节的上限。在通用图像生成质量方面，它与行业标准的 LDM（潜在扩散模型）方法相当，但在知识密集型图像生成场景中表现出显著优势。

模型架构：混合自回归 + 扩散解码器设计、

自回归生成器：一个 9B 参数模型，从 GLM-4-9B-0414 初始化，并扩展了词汇表以包含视觉标记。该模型首先生成大约 256 个标记的紧凑编码，然后扩展到 1K-4K 个标记，对应于 1K-2K 高分辨率图像输出。
扩散解码器：一个 7B 参数解码器，基于单流 DiT（Diffusion Transformer）架构用于潜在空间图像解码。它配备了字形编码器文本模块，显著提高了图像中准确文本渲染的能力。

解耦强化学习后训练：该模型引入了一种精细的模块化反馈策略，使用 GRPO 算法，显著增强了语义理解和视觉细节质量。

自回归模块：提供专注于美学和语义对齐的低频反馈信号，改善指令遵循和艺术表现力。
解码器模块：提供针对细节保真度和文本准确性的高频反馈，从而实现高度逼真的纹理、光照和颜色再现，以及更精确的文本渲染。

GLM-Image 在单个模型中支持文本到图像和图像到图像生成

文本到图像：根据文本描述生成高细节图像，在信息密集型场景中表现尤为出色。
图像到图像：支持广泛的任务，包括图像编辑、风格迁移、多主体一致性以及人物和物体的身份保留生成。
GlmImageForConditionalGeneration 是 GLM-Image 模型中的自回归部分，完整的图像生成流程请参考此处。

此模型由 Raushan Turganbay 和 Yuxuan Zhang 贡献。

使用示例

使用带有图像输入的 GLM-Image 生成视觉标记供 DIT 使用。

from transformers import GlmImageForConditionalGeneration, AutoProcessor
import torch

model = GlmImageForConditionalGeneration.from_pretrained(
    pretrained_model_name_or_path="zai-org/GLM-Image/vision_language_encoder",
    dtype=torch.bfloat16,
    device_map="cuda:0"
)
processor = AutoProcessor.from_pretrained(
    pretrained_model_name_or_path="zai-org/GLM-Image/processor",
    use_fast=True
)

# Case1 T2I
prompt = "现代美食杂志风格的甜点制作教程图，主题为覆盆子慕斯蛋糕。整体布局干净明亮，分为四个主要区域：顶部左侧是黑色粗体标题“覆盆子慕斯蛋糕制作指南”，右侧搭配光线柔和的成品蛋糕特写照片，蛋糕呈淡粉色，表面点缀新鲜覆盆子与薄荷叶；左下方为配料清单区域，标题“配料”使用简洁字体，下方列有“面粉 150g”“鸡蛋 3个”“细砂糖 120g”“覆盆子果泥 200g”“明胶片 10g”“淡奶油 300ml”“新鲜覆盆子”等配料，每种配料旁配有简约线图标（如面粉袋、鸡蛋、糖罐等）；右下方是四个等大的步骤方框，每个方框内含高清微距实拍图及对应操作说明，从上到下依次为：步骤1展示打蛋器打发白色泡沫（对应说明“打发蛋白至干性发泡”），步骤2展示红白相间的混合物被刮刀翻拌（对应说明“轻柔翻拌果泥与面糊”），步骤3展示粉色液体被倒入圆形模具（对应说明“倒入模具并冷藏4小时”），步骤4展示成品蛋糕表面装饰覆盆子与薄荷叶（对应说明“用覆盆子和薄荷装饰”）；底部边缘设浅棕色信息条，左侧图标分别代表“准备时间：30分钟”“烹饪时间：20分钟”“份量：8人份”。整体色调以奶油白、淡粉色为主，背景带轻微纸质纹理，图文排版紧凑有序，信息层级分明。"
target_h, target_w = 1152, 768
use_reference_images = False
reference_image_paths = None

# ## Case2
# prompt = "Replace the background of the snow forest with an underground station featuring an automatic escalator."
# cond_0 = "cond.jpg"
# target_h, target_w = 1152, 768
# use_reference_images = True
# reference_image_paths = [cond_0]

## Case3
# prompt = "Make the man in the first figure and the child from the second image bow at the same time in a respectful KTV."
# cond_0 = "cond_0.jpg"
# cond_1 = "cond_1.jpg"
# target_h, target_w = 1152, 768
# use_reference_images = True
# reference_image_paths = [cond_0, cond_1]


def build_messages(prompt, use_reference_images, reference_image_paths):
    content = []
    if use_reference_images:
        for img_path in reference_image_paths:
            content.append({"type": "image", "url": img_path})
    content.append({"type": "text", "text": prompt})
    return [{"role": "user", "content": content}]


def compute_generation_params(image_grid_thw, use_reference_images):
    grid_sizes = []
    for i in range(image_grid_thw.shape[0]):
        t, h, w = image_grid_thw[i].tolist()
        grid_sizes.append(int(h * w))

    target_output_length = grid_sizes[0]

    if use_reference_images:
        max_new_tokens = grid_sizes[-1] + 1
        output_start_offset = 0
        output_length = grid_sizes[-1]
    else:
        total_tokens = sum(grid_sizes)
        max_new_tokens = total_tokens + 1
        output_start_offset = sum(grid_sizes[1:])
        output_length = target_output_length

    return max_new_tokens, output_start_offset, output_length


messages = build_messages(prompt, use_reference_images, reference_image_paths if use_reference_images else None)

inputs = processor.apply_chat_template(
    messages,
    target_h=target_h,
    target_w=target_w,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

image_grid_thw = inputs.get('image_grid_thw')
print(f"image_grid_thw: {image_grid_thw}")

max_new_tokens, output_start_offset, output_length = compute_generation_params(
    image_grid_thw, use_reference_images
)

print(f"use_reference_images: {use_reference_images}")
print(f"max_new_tokens: {max_new_tokens}")
print(f"output_start_offset: {output_start_offset}")
print(f"output_length: {output_length}")

outputs = model.generate(
    **inputs,
    max_new_tokens=max_new_tokens,
    do_sample=True
)

input_length = inputs["input_ids"].shape[-1]
output_tokens = outputs[0][input_length:][output_start_offset:output_start_offset + output_length]
print(f"Input length: {input_length}")
print(f"Total generated tokens: {outputs[0].shape[-1] - input_length}")
print(f"Extracted output tokens shape: {output_tokens.shape}")
print(f"Output tokens: {output_tokens}")

Transformers

GlmImage

概述

使用示例

GlmImageConfig

class transformers.GlmImageConfig

GlmImageVisionConfig

class transformers.GlmImageVisionConfig

GlmImageTextConfig

class transformers.GlmImageTextConfig

GlmImageVQVAEConfig

class transformers.GlmImageVQVAEConfig

GlmImageImageProcessor

class transformers.GlmImageImageProcessor

preprocess

GlmImageImageProcessorFast

class transformers.GlmImageImageProcessorFast

preprocess

GlmImageProcessor

class transformers.GlmImageProcessor

GlmImageVisionModel

class transformers.GlmImageVisionModel

forward

GlmImageTextModel

class transformers.GlmImageTextModel

forward

GlmImageVQVAE

class transformers.GlmImageVQVAE

_forward_unimplemented

GlmImageModel

class transformers.GlmImageModel

forward

get_image_features

GlmImageForConditionalGeneration

class transformers.GlmImageForConditionalGeneration

forward

get_image_features