Hugging Face 的 LOGO

Transformers 文档

GlmMoeDsa

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

该模型于 2026 年 2 月 17 日发布在 HF papers 上，并于 2026 年 2 月 9 日贡献给 Hugging Face Transformers。

SDPA Tensor parallelism

GlmMoeDsa

GlmMoeDsa (GLM-5) 是一个拥有 7440 亿参数的混合专家（Mixture-of-Experts）模型，每个 Token 激活参数为 400 亿，采用 DeepSeek 稀疏注意力（DSA）机制以实现高效的 20 万 Token 上下文处理。该模型完全在华为昇腾芯片上进行训练，在推理和长上下文基准测试中表现达到了前沿水平。

以下示例演示了如何使用 Pipeline 或 AutoModelForCausalLM 类生成文本。

流水线
AutoModelForCausalLM
from transformers import pipeline


pipe = pipeline(
    task="text-generation",
    model="zai-org/GLM-5",
)
pipe("The theory of relativity states that")

GlmMoeDsaConfig

class transformers.GlmMoeDsaConfig

< >

( 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 = 154880 hidden_size: int = 6144 intermediate_size: int = 12288 moe_intermediate_size: int = 2048 num_hidden_layers: int = 78 num_attention_heads: int = 64 num_key_value_heads: int = 64 n_shared_experts: int = 1 n_routed_experts: int = 256 routed_scaling_factor: float = 2.5 kv_lora_rank: int = 512 q_lora_rank: int = 2048 qk_rope_head_dim: int = 64 v_head_dim: int = 256 qk_nope_head_dim: int = 192 n_group: int = 1 topk_group: int = 1 num_experts_per_tok: int = 8 norm_topk_prob: bool = True hidden_act: str = 'silu' max_position_embeddings: int = 202752 initializer_range: float = 0.02 rms_norm_eps: float = 1e-05 use_cache: bool = True pad_token_id: int | None = None bos_token_id: int | None = 0 eos_token_id: int | list[int] | None = 1 tie_word_embeddings: bool = False rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None mlp_layer_types: list[str] | None = None attention_bias: bool = False attention_dropout: float | int = 0.0 index_topk: int = 2048 index_head_dim: int = 128 index_n_heads: int = 32 indexer_types: list[str] | None = None )

参数

  • vocab_size (int, 可选, 默认为 154880) — 模型的词汇表大小。定义了 input_ids 可以表示的不同 Token 的数量。
  • hidden_size (int, 可选, 默认为 6144) — 隐藏层表示的维度。
  • intermediate_size (int, 可选, 默认为 12288) — MLP 表示的维度。
  • moe_intermediate_size (int, 可选, 默认为 2048) — 路由专家 MLP 的中间层大小。
  • num_hidden_layers (int, 可选, 默认为 78) — Transformer 解码器中的隐藏层数量。
  • num_attention_heads (int, 可选, 默认为 64) — 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 64) — 这是用于实现分组查询注意力（Grouped Query Attention, GQA）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），否则将使用 GQA。当将多头检查点转换为 GQA 检查点时，应通过对组内所有原始头进行均值池化来构建每个组的键头和值头。更多详细信息，请参阅 此论文。如果未指定，将默认为 num_attention_heads。
  • n_shared_experts (int, 可选, 默认为 1) — 共享专家的数量。
  • n_routed_experts (int, 可选, 默认为 256) — 路由专家的数量。
  • routed_scaling_factor (float, 可选, 默认为 2.5) — 路由专家的缩放因子。
  • kv_lora_rank (int, 可选, 默认为 512) — 用于键（key）和值（value）投影的 LoRA 矩阵秩。
  • q_lora_rank (int, 可选, 默认为 2048) — 用于查询（query）投影的 LoRA 矩阵秩。
  • qk_rope_head_dim (int, 可选, 默认为 64) — 使用旋转位置编码（Rotary Position Embeddings）的查询/键头的维度。
  • v_head_dim (int, 可选, 默认为 256) — 值（value）头的维度。
  • qk_nope_head_dim (int, 可选, 默认为 192) — 不使用旋转位置编码的查询/键头的维度。
  • 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）。
  • num_experts_per_tok (int, 可选, 默认为 8) — 每个 Token 路由到的专家数量。这是 Token 选择路由（Token-choice routing）的 top-k 值。
  • 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。
  • 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 202752) — 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 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) — 模型是否应该返回最后的键/值注意力（并非所有模型都使用）。仅当 config.is_decoder=True 或模型是仅解码器生成模型时才相关。
  • pad_token_id (int, 可选) — 词表中用于填充（padding）的 token ID。
  • bos_token_id (int, 可选, 默认为 0) — 词表中用于流开始（beginning-of-stream）的 token ID。
  • eos_token_id (Union[int, list[int]], 可选, 默认为 1) — 词表中用于流结束（end-of-stream）的 token ID。
  • tie_word_embeddings (bool, 可选, 默认为 False) — 是否根据模型的 tied_weights_keys 映射来绑定权重嵌入。
  • 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，如果希望在更长的 max_position_embeddings 下使用 RoPE，还可以选择包含用于缩放的参数。
  • mlp_layer_types (list, 可选) — 每一层的 MLP 类型模式（"dense" 或 "sparse"）。默认为 3 层 dense，其余为 sparse。
  • attention_bias (bool, 可选, 默认为 False) — 在自注意力机制的查询（query）、键（key）、值（value）和输出投影层中是否使用偏置（bias）。
  • attention_dropout (Union[float, int], 可选, 默认为 0.0) — 注意力概率的 dropout 比率。
  • index_topk (int, 可选, 默认为 2048) — 索引器为稀疏注意力选择的顶部 token 数量。
  • index_head_dim (int, 可选, 默认为 128) — 索引器投影（DSA）的头部维度。
  • index_n_heads (int | None, 可选, 默认为 32) — 索引器投影（DSA）的头部数量。
  • indexer_types (list[str], 可选) — 每一层的索引器模式（"full" 或 "shared"）。默认为第一层为 full，之后每 index_topk_freq 层为 full，其余为 shared。

这是用于存储 GlmMoeDsaModel 配置的配置类。它根据指定的参数用于实例化 Glm Moe Dsa 模型，定义模型架构。使用默认值实例化配置将产生与 zai-org/GLM-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。

>>> from transformers import GlmMoeDsaConfig, GlmMoeDsaModel

>>> # Initializing a GLM-MoE-DSA configuration
>>> configuration = GlmMoeDsaConfig()

>>> # Initializing a model from the configuration
>>> model = GlmMoeDsaModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

GlmMoeDsaModel

class transformers.GlmMoeDsaModel

< >

( config: GlmMoeDsaConfig )

参数

  • config (GlmMoeDsaConfig) — 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相关的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。

裸的 Glm Moe Dsa 模型，输出原始隐藏状态，顶部没有任何特定头部。

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

< >

( 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 (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 词表中输入序列 token 的索引。填充（padding）将被默认忽略。

    可以使用 AutoTokenizer 获取索引。有关详细信息，请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

    什么是 input IDs？

  • attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 用于避免对填充 token 索引执行注意力操作的掩码。掩码值在 [0, 1] 中选择：

    • 1 表示未被掩码的 token，
    • 0 表示被掩码的 token。

    什么是 attention masks？

  • position_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 每个输入序列 token 在位置嵌入中的位置索引。在范围 [0, config.n_positions - 1] 中选择。

    什么是 position IDs？

  • 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。这通常包含当 use_cache=True 或 config.use_cache=True 时模型在解码前一阶段返回的 past_key_values。

    只允许使用 Cache 实例作为输入，请参阅我们的 kv 缓存指南。如果未传递 past_key_values，则默认初始化 DynamicCache。

    模型将输出与输入相同格式的缓存。

    如果使用了 past_key_values，用户应仅输入形状为 (batch_size, unprocessed_length) 的未处理 input_ids（即那些尚未将键值状态提供给此模型的 input_ids），而不是形状为 (batch_size, sequence_length) 的所有 input_ids。

  • inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)，可选) — 作为一个选项，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确地控制如何将 input_ids 索引转换为相关向量，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（GlmMoeDsaConfig）和输入的不同，包含各种元素。

The GlmMoeDsaModel 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。

  • 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=True in the cross-attention blocks) that can be used (see past_key_values input) 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。

GlmMoeDsaForCausalLM

class transformers.GlmMoeDsaForCausalLM

< >

( 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 (GlmMoeDsaForCausalLM) — 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相关的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。

用于因果语言建模的 Glm Moe Dsa 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

< >

( 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 (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 输入序列标记在词表中的索引。填充标记默认会被忽略。

    索引可以使用 AutoTokenizer 获取。详情请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

    什么是输入 ID？

  • attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 用于避免对填充标记索引执行注意力计算的掩码。掩码值选自 [0, 1]：

    • 1 表示未被遮盖的标记，
    • 0 表示被遮盖的标记。

    什么是注意力掩码？

  • position_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 输入序列中每个标记在位置嵌入中的索引。取值范围为 [0, config.n_positions - 1]。

    什么是位置 ID？

  • 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。这通常包含当 use_cache=True 或 config.use_cache=True 时，模型在解码上一阶段返回的 past_key_values。

    仅允许使用 Cache 实例作为输入，请参阅我们的 KV 缓存指南。如果不传入 past_key_values，默认将初始化 DynamicCache。

    模型将输出与输入格式相同的缓存。

    如果使用 past_key_values，用户应仅输入未处理的 input_ids（即未将其过去键值状态提供给该模型的标记），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，形状为 (batch_size, sequence_length, hidden_size)，可选) — 作为可选选项，您可以选择直接传入嵌入表示，而不是传入 input_ids。如果您想要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，此功能非常有用。
  • 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。索引应在 [0, ..., config.vocab_size] 之间或为 -100（参见 input_ids 文档字符串）。设置为 -100 的标记索引将被忽略（遮盖），损失仅针对标签在 [0, ..., config.vocab_size] 之间的标记计算。
  • use_cache (bool，可选) — 如果设置为 True，将返回 past_key_values 键值状态，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，仅计算该标记的 Logits 可以节省内存，这对于长序列或大词表大小来说非常显著。如果为 torch.Tensor，则必须是一维的，对应于要在序列长度维度中保留的索引。当使用打包张量格式（批次和序列长度使用单一维度）时，此功能非常有用。

返回

CausalLMOutputWithPast or tuple(torch.FloatTensor)

一个 CausalLMOutputWithPast 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或 config.return_dict=False 时），根据配置（GlmMoeDsaConfig）和输入包含各种元素。

GlmMoeDsaForCausalLM 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。

  • 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, GlmMoeDsaForCausalLM

>>> model = GlmMoeDsaForCausalLM.from_pretrained("meta-glm_moe_dsa/GlmMoeDsa-2-7b-hf")
>>> tokenizer = AutoTokenizer.from_pretrained("meta-glm_moe_dsa/GlmMoeDsa-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."
在 GitHub 上更新

←GLM-Image GPT→
© . This site is unofficial and not affiliated with Hugging Face, Inc.