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 (v5.22.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Este modelo se publicó en HF papers el 2025-08-08 y se contribuyó a Hugging Face Transformers el 2025-07-21.

GLM-4.5, GLM-4.6, GLM-4.7

Resumen

Los modelos de lenguaje GLM-4.7, GLM-4.6 y GLM-4.5 utilizan esta clase. La implementación en transformers no incluye una capa MTP.

GLM-4.7

GLM-4.7, tu nuevo compañero de programación, llega con las siguientes características:

  • Codificación principal: GLM-4.7 presenta mejoras claras, en comparación con su predecesor GLM-4.6, en la codificación agéntica multilingüe y en tareas basadas en terminal, incluyendo (73,8 %, +5,8 %) en SWE-bench, (66,7 %, +12,9 %) en SWE-bench Multilingual y (41 %, +16,5 %) en Terminal Bench 2.0. GLM-4.7 también admite razonar antes de actuar, con mejoras significativas en tareas complejas en marcos de agentes principales como Claude Code, Kilo Code, Cline y Roo Code.
  • Vibe Coding: GLM-4.7 da un gran paso adelante en la mejora de la calidad de la interfaz de usuario. Genera páginas web más limpias y modernas, y crea diapositivas con un aspecto más atractivo, con un diseño y un tamaño más precisos.
  • Uso de herramientas: GLM-4.7 logra mejoras significativas en el uso de herramientas. Se observan rendimientos notablemente superiores en benchmarks como τ^2-Bench y en la navegación web a través de BrowseComp.
  • Razonamiento complejo: GLM-4.7 ofrece una mejora sustancial en las capacidades matemáticas y de razonamiento, alcanzando (42,8 %, +12,4 %) en el benchmark HLE (Humanity’s Last Exam) en comparación con GLM-4.6.

De manera más general, también se observarían mejoras significativas en muchos otros escenarios, como el chat, la escritura creativa y los escenarios de interpretación de roles.

bench

Pensamiento intercalado y pensamiento preservado

thinking

GLM-4.7 mejora aún más Interleaved Thinking (una función introducida desde GLM-4.5) y presenta Preserved Thinking y Turn-level Thinking. Al razonar entre acciones y mantener la coherencia entre turnos, hace que las tareas complejas sean más estables y más controlables:

  • Pensamiento intercalado: El modelo piensa antes de cada respuesta y llamada a herramientas, mejorando el seguimiento de instrucciones y la calidad de la generación.
  • Pensamiento preservado: En escenarios de agentes de codificación, el modelo conserva automáticamente todos los bloques de pensamiento a lo largo de conversaciones de múltiples turnos, reutilizando el razonamiento existente en lugar de derivarlo desde cero. Esto reduce la pérdida de información y las inconsistencias, y es adecuado para tareas complejas de largo alcance.
  • Pensamiento por turno: El modelo permite controlar el razonamiento por turno dentro de una sesión: desactiva el pensamiento para solicitudes ligeras y reducir la latencia/costo, o actívalo para tareas complejas y mejorar la precisión y la estabilidad.

Más detalles: https://docs.z.ai/guides/capabilities/thinking-mode

Para más resultados de evaluación, casos de uso y detalles técnicos, visite el blog técnico de GLM-4.7.

GLM-4.6

En comparación con GLM-4.5, GLM-4.6 introduce varias mejoras clave:

  • Ventana de contexto más larga: La ventana de contexto se ha ampliado de 128K a 200K tokens, lo que permite al modelo manejar tareas agénticas más complejas.
  • Rendimiento superior en programación: El modelo obtiene puntuaciones más altas en benchmarks de código y demuestra un mejor rendimiento en el mundo real en aplicaciones como Claude Code, Cline, Roo Code y Kilo Code, incluyendo mejoras en la generación de páginas front-end visualmente pulidas.
  • Razonamiento avanzado: GLM-4.6 muestra una mejora clara en el rendimiento de razonamiento y admite el uso de herramientas durante la inferencia, lo que conduce a una capacidad general más sólida.
  • Agentes más capaces: GLM-4.6 muestra un rendimiento superior en agentes que utilizan herramientas y basados en búsqueda, y se integra de manera más efectiva en marcos de agentes.
  • Escritura refinada: Se alinea mejor con las preferencias humanas en estilo y legibilidad, y se comporta de manera más natural en escenarios de interpretación de roles.

Evaluamos GLM-4.6 en ocho benchmarks públicos que abarcan agentes, razonamiento y codificación. Los resultados muestran mejoras claras frente a GLM-4.5, y GLM-4.6 también mantiene ventajas competitivas frente a modelos nacionales e internacionales líderes como DeepSeek-V3.1-Terminus y Claude Sonnet 4.

Para más resultados de evaluación, casos de uso y detalles técnicos, visite el blog técnico de GLM-4.6.

GLM-4.5

Los modelos de la serie GLM-4.5 son modelos de base diseñados para agentes inteligentes; las variantes MoE se documentan aquí como Glm4Moe.

GLM-4.5 tiene 355 mil millones de parámetros en total, con 32 mil millones de parámetros activos, mientras que GLM-4.5-Air adopta un diseño más compacto con 106 mil millones de parámetros en total y 12 mil millones de parámetros activos. Los modelos GLM-4.5 unifican las capacidades de razonamiento, codificación y agentes inteligentes para satisfacer las demandas complejas de las aplicaciones de agentes inteligentes.

Tanto GLM-4.5 como GLM-4.5-Air son modelos híbridos de razonamiento que ofrecen dos modos: el modo de razonamiento para el razonamiento complejo y el uso de herramientas, y el modo sin razonamiento para respuestas inmediatas.

Hemos publicado en código abierto los modelos base, los modelos de razonamiento híbrido y las versiones FP8 de los modelos de razonamiento híbrido para GLM-4.5 y GLM-4.5-Air. Se publican bajo la licencia de código abierto MIT y pueden usarse con fines comerciales y para desarrollo secundario.

Como se demostró en nuestra evaluación exhaustiva en 12 benchmarks estándar de la industria, GLM-4.5 logra un rendimiento excepcional con una puntuación de 63.2, ocupando el 3er lugar entre todos los modelos propietarios y de código abierto. Cabe destacar que GLM-4.5-Air ofrece resultados competitivos con 59.8 mientras mantiene una eficiencia superior.

Para más resultados de evaluación, casos de uso y detalles técnicos, visite nuestro informe técnico o nuestro blog técnico.

El código del modelo, el analizador de herramientas y el analizador de razonamiento se pueden encontrar en la implementación de transformers, vLLM y SGLang.

Glm4MoeConfig

clase 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 )

Parámetros

  • vocab_size (int, opcional, valor predeterminado 151552) — Tamaño del vocabulario del modelo. Define el número de tokens diferentes que pueden representarse mediante input_ids.
  • hidden_size (int, opcional, valor predeterminado 4096) — Dimensión de las representaciones ocultas.
  • intermediate_size (int, opcional, valor predeterminado 10944) — Dimensión de las representaciones del MLP.
  • num_hidden_layers (int, opcional, valor predeterminado 46) — Número de capas ocultas en el decodificador Transformer.
  • num_attention_heads (int, opcional, valor predeterminado 96) — Número de cabezas de atención para cada capa de atención en el decodificador Transformer.
  • num_key_value_heads (int, opcional, valor predeterminado 8) — Este es el número de cabezas key_value que se deben utilizar para implementar Grouped Query Attention. Si num_key_value_heads=num_attention_heads, el modelo utilizará Multi Head Attention (MHA); si num_key_value_heads=1, el modelo utilizará Multi Query Attention (MQA); en caso contrario, se utilizará GQA. Al convertir un checkpoint multi-head en un checkpoint GQA, cada cabeza de clave y valor del grupo debe construirse mediante el promediado (meanpooling) de todas las cabezas originales dentro de ese grupo. Para más detalles, consulta este artículo. Si no se especifica, el valor predeterminado será num_attention_heads.
  • hidden_act (str, opcional, valor predeterminado silu) — La función de activación no lineal (función o cadena) en el decodificador. Por ejemplo, "gelu", "relu", "silu", etc.
  • max_position_embeddings (int, opcional, valor predeterminado 131072) — La longitud máxima de secuencia con la que podría utilizarse este modelo.
  • initializer_range (float, opcional, valor predeterminado 0.02) — La desviación estándar del truncated_normal_initializer para inicializar todas las matrices de pesos.
  • rms_norm_eps (float, opcional, valor predeterminado 1e-05) — La epsilon utilizada por las capas de normalización rms.
  • use_cache (bool, opcional, valor predeterminado True) — Indica si el modelo debe devolver las últimas claves/valores de atención (no utilizado por todos los modelos). Solo es relevante si config.is_decoder=True o cuando el modelo es un modelo generativo solo de decodificador.
  • tie_word_embeddings (bool, opcional, valor predeterminado False) — Si se deben vincular las matrices de pesos de embeddings según el mapeo tied_weights_keys del modelo.
  • rope_parameters (Union[~modeling_rope_utils.RopeParameters, dict], opcional) — Diccionario que contiene los parámetros de configuración para las incrustaciones RoPE. El diccionario debe contener un valor para rope_theta y, opcionalmente, parámetros utilizados para el escalado en caso de que desee usar RoPE con max_position_embeddings más largos.
  • attention_bias (bool, opcional, valor predeterminado False) — Si se debe usar un sesgo en las capas de proyección de consulta, clave, valor y salida durante la autoatención.
  • attention_dropout (Union[float, int], opcional, valor predeterminado 0.0) — La proporción de dropout para las probabilidades de atención.
  • moe_intermediate_size (int, opcional, valor predeterminado 1408) — Tamaño intermedio de los MLP de los expertos enrutados.
  • num_experts_per_tok (int, opcional, valor predeterminado 8) — Número de expertos a los que enrutar cada token. Este es el valor top-k para el enrutamiento de selección de tokens.
  • output_router_logits (bool, opcional, valor predeterminado False) — Indica si el modelo debe devolver los logits del router. Habilitar esta opción también permite que el modelo devuelva la pérdida auxiliar, que incluye la pérdida de equilibrio de carga y la pérdida z del router.
  • n_shared_experts (int, opcional, valor predeterminado 1) — Número de expertos compartidos.
  • n_routed_experts (int, opcional, valor predeterminado 128) — Número de expertos enrutados.
  • routed_scaling_factor (float, opcional, valor predeterminado 1.0) — Factor de escala de los expertos enrutados.
  • n_group (int, opcional, valor predeterminado 1) — Número de grupos para expertos enrutados.
  • topk_group (int, opcional, valor predeterminado 1) — Número de grupos seleccionados para cada token (para cada token, garantizando que los expertos seleccionados estén solo dentro de topk_group grupos).
  • first_k_dense_replace (int, opcional, valor predeterminado 1) — Número de capas densas en las capas superficiales (embed->dense->dense->…->dense->moe->moe…->lm_head). --k capas densas—/
  • norm_topk_prob (bool, opcional, valor predeterminado True) — Si se normalizan los pesos de los expertos enrutados.
  • use_qk_norm (bool, opcional, valor predeterminado False) — Si se debe usar la normalización de consulta-clave en la atención.
  • bos_token_id (int, opcional) — Id del token utilizado para el inicio de la secuencia en el vocabulario.
  • eos_token_id (Union[int, list[int]], opcional) — Id del token utilizado para el fin de secuencia en el vocabulario.
  • pad_token_id (int, opcional) — Id del token utilizado para el relleno en el vocabulario.
  • num_mtp_layers (int, opcional, valor predeterminado 1) — Número de módulos de Multi-Token Prediction (MTP) disponibles para añadir después del modelo transformer base. Cuando es 0, el modelo se comporta como un decodificador estándar. Cuando es >0, cada módulo adicional puede predecir un token futuro adicional en el momento de la inferencia (decodificación especulativa mediante generate(..., use_mtp=True)).

Esta es la clase de configuración para almacenar la configuración de un Glm4MoeModel. Se utiliza para instanciar un modelo Glm4 Moe según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de zai-org/GLM-4.5

Los objetos de configuración heredan de PreTrainedConfig y se pueden usar para controlar las salidas del modelo. Lea la documentación de PreTrainedConfig para obtener más información.

Ejemplo:

>>> 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

clase transformers.Glm4MoeModel

< >

( config: Glm4MoeConfig )

Parámetros

  • config (Glm4MoeConfig) — Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método from_pretrained() para cargar los pesos del modelo.

El modelo Glm4 Moe sin procesar, que genera estados ocultos crudos sin ninguna cabeza específica en la parte superior.

Este modelo hereda de PreTrainedModel. Consulta la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.).

Este modelo también es una subclase de torch.nn.Module de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales.

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.FloatTensor] = Noneuse_cache: bool | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → MoeModelOutputWithPast or tuple(torch.FloatTensor)

Parámetros

  • input_ids (torch.LongTensor de forma (batch_size, sequence_length), opcional) — Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada.

    Los índices se pueden obtener usando AutoTokenizer. Consulte PreTrainedTokenizer.encode() y PreTrainedTokenizer.call() para más detalles.

    ¿Qué son los IDs de entrada?

  • attention_mask (torch.Tensor de forma (batch_size, sequence_length), opcional) — Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de máscara seleccionados en [0, 1]:
    • 1 para los tokens que no están enmascarados,
    • 0 para los tokens que están enmascarados.

    ¿Qué son las máscaras de atención?

  • position_ids (torch.LongTensor de forma (batch_size, sequence_length), opcional) — Índices de las posiciones de los tokens de cada secuencia de entrada en los embeddings de posición. Seleccionados en el rango [0, config.n_positions - 1].

    ¿Qué son los IDs de posición?

  • past_key_values (~cache_utils.Cache, opcional) — Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que se pueden usar para acelerar la decodificación secuencial. Esto generalmente consiste en la past_key_values devuelta por el modelo en una etapa anterior de la decodificación, cuando use_cache=True o config.use_cache=True.

    Solo se permite una instancia de Cache como entrada, consulte nuestra guía de caché kv. Si no se pasan past_key_values, DynamicCache se inicializará de forma predeterminada.

    El modelo generará el mismo formato de caché que se proporciona como entrada.

    Si se utilizan past_key_values, se espera que el usuario introduzca únicamente los input_ids no procesados (aquellos que no tienen sus estados de clave y valor pasados proporcionados a este modelo) con forma (batch_size, unprocessed_length) en lugar de todos los input_ids con forma (batch_size, sequence_length).

  • inputs_embeds (torch.FloatTensor de forma (batch_size, sequence_length, hidden_size), opcional) — Opcionalmente, en lugar de pasar input_ids, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de input_ids en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo.
  • use_cache (bool, opcional) — Si se establece en True, se devuelven los estados de clave-valor de past_key_values y pueden usarse para acelerar la decodificación (ver past_key_values).

Devuelve

MoeModelOutputWithPast o tuple(torch.FloatTensor)

Un MoeModelOutputWithPast o una tupla de torch.FloatTensor (si se pasa return_dict=False o cuando config.return_dict=False) que comprende varios elementos según la configuración (Glm4MoeConfig) y las entradas.

El método forward de Glm4MoeModel sobrescribe el método especial __call__.

Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de Module después en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de pre y postprocesamiento, mientras que la segunda los ignora silenciosamente.

  • last_hidden_state (torch.FloatTensor de forma (batch_size, sequence_length, hidden_size)) — Secuencia de estados ocultos en la salida de la última capa del modelo.

  • past_key_values (Cache, opcional, se devuelve cuando se pasa use_cache=True o cuando config.use_cache=True) — Es una instancia de Cache. Para más detalles, consulta nuestra guía de caché kv.

    Contiene estados ocultos precalculados (claves y valores en los bloques de autoatención y, opcionalmente, si config.is_encoder_decoder=True, en los bloques de atención cruzada) que pueden utilizarse (véase la entrada past_key_values) para acelerar la decodificación secuencial.

  • hidden_states (tuple(torch.FloatTensor), opcional, se devuelve cuando se pasa output_hidden_states=True o cuando config.output_hidden_states=True) — Tupla de torch.FloatTensor (una para la salida de las incrustaciones, si el modelo tiene una capa de incrustaciones, + una para la salida de cada capa) de forma (batch_size, sequence_length, hidden_size).

    Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial.

  • attentions (tuple(torch.FloatTensor), opcional, se devuelve cuando se pasa output_attentions=True o cuando config.output_attentions=True) — Tupla de torch.FloatTensor (una por cada capa) de forma (batch_size, num_heads, sequence_length, sequence_length).

    Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención.

  • router_logits (tuple(torch.FloatTensor), opcional, se devuelve cuando se pasa output_router_probs=True y config.add_router_probs=True o cuando config.output_router_probs=True) — Tupla de torch.FloatTensor (una por cada capa) de forma (batch_size, sequence_length, num_experts).

    Logits crudos del enrutador (post-softmax) que se calculan mediante los enrutadores de MoE; estos términos se utilizan para calcular la pérdida auxiliar en los modelos Mixture of Experts.

Glm4MoeForCausalLM

clase transformers.Glm4MoeForCausalLM

< >

( config: Glm4MoeConfig )

Parámetros

  • config (Glm4MoeConfig) — Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método from_pretrained() para cargar los pesos del modelo.

El modelo Glm4 Moe para el modelado de lenguaje causal.

Este modelo hereda de PreTrainedModel. Consulta la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.).

Este modelo también es una subclase de torch.nn.Module de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales.

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.FloatTensor] = 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.FloatTensor)

Parámetros

  • input_ids (torch.LongTensor de forma (batch_size, sequence_length), opcional) — Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada.

    Los índices se pueden obtener usando AutoTokenizer. Consulte PreTrainedTokenizer.encode() y PreTrainedTokenizer.call() para más detalles.

    ¿Qué son los IDs de entrada?

  • attention_mask (torch.Tensor de forma (batch_size, sequence_length), opcional) — Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de máscara seleccionados en [0, 1]:
    • 1 para los tokens que no están enmascarados,
    • 0 para los tokens que están enmascarados.

    ¿Qué son las máscaras de atención?

  • position_ids (torch.LongTensor de forma (batch_size, sequence_length), opcional) — Índices de las posiciones de los tokens de cada secuencia de entrada en los embeddings de posición. Seleccionados en el rango [0, config.n_positions - 1].

    ¿Qué son los IDs de posición?

  • past_key_values (~cache_utils.Cache, opcional) — Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que se pueden usar para acelerar la decodificación secuencial. Esto generalmente consiste en la past_key_values devuelta por el modelo en una etapa anterior de la decodificación, cuando use_cache=True o config.use_cache=True.

    Solo se permite una instancia de Cache como entrada, consulte nuestra guía de caché kv. Si no se pasan past_key_values, DynamicCache se inicializará de forma predeterminada.

    El modelo generará el mismo formato de caché que se proporciona como entrada.

    Si se utilizan past_key_values, se espera que el usuario introduzca únicamente los input_ids no procesados (aquellos que no tienen sus estados de clave y valor pasados proporcionados a este modelo) con forma (batch_size, unprocessed_length) en lugar de todos los input_ids con forma (batch_size, sequence_length).

  • inputs_embeds (torch.FloatTensor de forma (batch_size, sequence_length, hidden_size), opcional) — Opcionalmente, en lugar de pasar input_ids, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de input_ids en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo.
  • labels (torch.LongTensor de forma (batch_size, sequence_length), opcional) — Etiquetas para calcular la pérdida de modelado de lenguaje enmascarado. Los índices deben estar en [0, ..., config.vocab_size] o ser -100 (ver la docstring de input_ids). Los tokens con índices establecidos en -100 se ignoran (enmascarados); la pérdida solo se calcula para los tokens con etiquetas en [0, ..., config.vocab_size].
  • use_cache (bool, opcional) — Si se establece en True, se devuelven los estados de clave-valor de past_key_values y pueden usarse para acelerar la decodificación (ver past_key_values).
  • logits_to_keep (Union[int, torch.Tensor], opcional, valor predeterminado 0) — Si es un int, calcula los logits para los últimos logits_to_keep tokens. Si es 0, calcula los logits para todos los input_ids (caso especial). Solo se necesitan los logits del último token para la generación, y calcularlos solo para ese token puede ahorrar memoria, lo cual se vuelve bastante significativo para secuencias largas o un tamaño de vocabulario grande. Si es un torch.Tensor, debe ser de 1D y corresponder a los índices a conservar en la dimensión de longitud de secuencia. Esto es útil al usar el formato de tensor empaquetado (una sola dimensión para el lote y la longitud de secuencia).

Devuelve

MoeCausalLMOutputWithPast o tuple(torch.FloatTensor)

Un MoeCausalLMOutputWithPast o una tupla de torch.FloatTensor (si se pasa return_dict=False o cuando config.return_dict=False) que comprende varios elementos según la configuración (Glm4MoeConfig) y las entradas.

El método forward de Glm4MoeForCausalLM sobrescribe el método especial __call__.

Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de Module después en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de pre y postprocesamiento, mientras que la segunda los ignora silenciosamente.

  • loss (torch.FloatTensor de forma (1,), opcional, devuelta cuando se proporciona labels) — Pérdida de modelado de lenguaje (para la predicción del siguiente token).

  • logits (torch.FloatTensor de forma (batch_size, sequence_length, config.vocab_size)) — Puntuaciones de predicción de la cabeza de modelado de lenguaje (puntuaciones para cada token del vocabulario antes de SoftMax).

  • aux_loss (torch.FloatTensor, opcional, se devuelve cuando se pasa output_router_logits=True o cuando config.output_router_logits=True, y el modelo entrena su router con una pérdida de equilibrio de carga) — Pérdida auxiliar de equilibrio de carga para los módulos dispersos. Los modelos que equilibran sus expertos con un sesgo del router en su lugar (DeepSeek-V3 y las arquitecturas derivadas de él) devuelven None aquí, aunque siguen devolviendo router_logits.

  • router_logits (tuple(torch.FloatTensor), opcional, se devuelve cuando se pasa output_router_logits=True o cuando config.output_router_logits=True) — Tupla de torch.FloatTensor (una por cada capa dispersa) de forma (batch_size * sequence_length, num_experts).

    Logits crudos del router calculados por los routers de MoE. Se pueden utilizar para calcular una pérdida de equilibrado de carga o para inspeccionar cómo se distribuyen los tokens entre los expertos.

  • past_key_values (Cache, opcional, se devuelve cuando se pasa use_cache=True o cuando config.use_cache=True) — Es una instancia de Cache. Para más detalles, consulta nuestra guía de caché kv.

    Contiene estados ocultos precalculados (claves y valores en los bloques de autoatención) que pueden utilizarse (véase la entrada past_key_values) para acelerar la decodificación secuencial.

  • hidden_states (tuple(torch.FloatTensor), opcional, se devuelve cuando se pasa output_hidden_states=True o cuando config.output_hidden_states=True) — Tupla de torch.FloatTensor (una para la salida de las incrustaciones, si el modelo tiene una capa de incrustaciones, + una para la salida de cada capa) de forma (batch_size, sequence_length, hidden_size).

    Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial.

  • attentions (tuple(torch.FloatTensor), opcional, se devuelve cuando se pasa output_attentions=True o cuando config.output_attentions=True) — Tupla de torch.FloatTensor (una por cada capa) de forma (batch_size, num_heads, sequence_length, sequence_length).

    Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención.

Ejemplo:

>>> 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→