/ Модель

Характеристики

Контекст
65 536 токенов
Параметры
9,8 млн
Размер весов
20 МБ
Архитектура
glm4v · dense
Базовая модель
GLM-4.1V-9B-Thinking
Библиотека
transformers
Опубликована
7 июл 2025

glm-4v

Изображение и текст → текст3 профессии

tiny-random/glm-4v — небольшая случайно инициализированная модель для отладки, созданная на основе конфигурации THUDM/GLM-4.1V-9B-Thinking и предназначенная для использования с библиотекой Transformers.

3 198скачиваний за 30 дней0лайковвеса обновлены7 июл 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это не обученная модель, поэтому она не рассчитана на получение качественных содержательных ответов в прикладных сценариях.

Модель поддерживает мультимодальный сценарий image-text-to-text: принимает изображение и текстовый запрос и генерирует текст. Архитектура представлена классом Glm4vForConditionalGeneration и включает визуальный модуль и языковую модель. В отладочной конфигурации используются 2 текстовых и 2 визуальных слоя, размер скрытого представления 64, 2 attention-heads в визуальной части, 2 текстовых attention-heads и 1 key-value head; словарь содержит 151 552 токена. Точные поддерживаемые языки и размер контекстного окна в README не указаны.

Главное преимущество модели — минимальный размер и пригодность для проверки загрузки, интеграции, обработки мультимодальных входов и поведения кода без использования полноразмерной модели. Ключевое ограничение — случайная инициализация весов: модель не обладает практическими знаниями и не должна применяться для реальных задач анализа изображений или генерации текста. Лицензия в README не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

This tiny model is for debugging. It is randomly initialized with the config adapted from THUDM/GLM-4.1V-9B-Thinking.

Example usage:

import os
import re

import torch

from transformers import AutoProcessor, Glm4vForConditionalGeneration

model_id = "tiny-random/glm-4v"
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "url": "https://upload.wikimedia.org/wikipedia/commons/f/fa/Grayscale_8bits_palette_sample_image.png"
            },
            {
                "type": "text",
                "text": "describe this image"
            }
        ],
    }
]
processor = AutoProcessor.from_pretrained(model_id)
model = Glm4vForConditionalGeneration.from_pretrained(
    pretrained_model_name_or_path=model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device)
generated_ids = model.generate(**inputs, max_new_tokens=16)
output_text = processor.decode(generated_ids[0][inputs["input_ids"].shape[1]:], skip_special_tokens=False)
print(output_text)

Codes to create this repo:

import json
from pathlib import Path

import torch

import accelerate
from huggingface_hub import file_exists, hf_hub_download
from transformers import (
    AutoConfig,
    AutoModelForCausalLM,
    AutoProcessor,
    GenerationConfig,
    set_seed,
)
from transformers import AutoProcessor, Glm4vForConditionalGeneration

source_model_id = "THUDM/GLM-4.1V-9B-Thinking"
save_folder = "/tmp/tiny-random/glm-4v"

processor = AutoProcessor.from_pretrained(source_model_id, trust_remote_code=True)
processor.save_pretrained(save_folder)

with open(hf_hub_download(source_model_id, filename='config.json', repo_type='model'), 'r', encoding='utf-8') as f:
    config_json = json.load(f)
config_json['hidden_size'] = 64
config_json['intermediate_size'] = 128
config_json['num_attention_heads'] = 2
config_json['num_hidden_layers'] = 2
config_json['num_key_value_heads'] = 1
config_json['tie_word_embeddings'] = True
config_json['vision_config']['hidden_size'] = 64
config_json['vision_config']['depth'] = 2
config_json['vision_config']['num_heads'] = 2
config_json['vision_config']['intermediate_size'] = 128
config_json['vision_config']['out_hidden_size'] = 64
config_json['rope_scaling']['mrope_section'] = [2, 2, 4]

with open(f"{save_folder}/config.json", "w", encoding='utf-8') as f:
    json.dump(config_json, f, indent=2)

config = AutoConfig.from_pretrained(
    save_folder,
    trust_remote_code=True,
)
print(config)
torch.set_default_dtype(torch.bfloat16)
model = Glm4vForConditionalGeneration(config)
torch.set_default_dtype(torch.float32)
if file_exists(filename="generation_config.json", repo_id=source_model_id, repo_type='model'):
    model.generation_config = GenerationConfig.from_pretrained(
        source_model_id, trust_remote_code=True,
    )
set_seed(42)
model = model.cpu()  # cpu is more stable for random initialization across machines
with torch.no_grad():
    for name, p in sorted(model.named_parameters()):
        torch.nn.init.normal_(p, 0, 0.2)
        print(name, p.shape)
model.save_pretrained(save_folder)
print(model)

Printing the model:

Glm4vForConditionalGeneration(
  (model): Glm4vModel(
    (visual): Glm4vVisionModel(
      (embeddings): Glm4vVisionEmbeddings(
        (position_embedding): Embedding(576, 64)
      )
      (patch_embed): Glm4vVisionPatchEmbed(
        (proj): Conv3d(3, 64, kernel_size=(2, 14, 14), stride=(2, 14, 14))
      )
      (rotary_pos_emb): Glm4vVisionRotaryEmbedding()
      (blocks): ModuleList(
        (0-1): 2 x Glm4vVisionBlock(
          (norm1): Glm4vRMSNorm((64,), eps=1e-05)
          (norm2): Glm4vRMSNorm((64,), eps=1e-05)
          (attn): Glm4vVisionAttention(
            (qkv): Linear(in_features=64, out_features=192, bias=False)
            (proj): Linear(in_features=64, out_features=64, bias=False)
          )
          (mlp): Glm4VisionMlp(
            (gate_proj): Linear(in_features=64, out_features=64, bias=False)
            (up_proj): Linear(in_features=64, out_features=64, bias=False)
            (down_proj): Linear(in_features=64, out_features=64, bias=False)
            (act_fn): SiLU()
          )
        )
      )
      (merger): Glm4vVisionPatchMerger(
        (proj): Linear(in_features=64, out_features=64, bias=False)
        (post_projection_norm): LayerNorm((64,), eps=1e-05, elementwise_affine=True)
        (gate_proj): Linear(in_features=64, out_features=128, bias=False)
        (up_proj): Linear(in_features=64, out_features=128, bias=False)
        (down_proj): Linear(in_features=128, out_features=64, bias=False)
        (act1): GELU(approximate='none')
        (act_fn): SiLU()
      )
      (post_conv_layernorm): Glm4vRMSNorm((64,), eps=1e-05)
      (downsample): Conv2d(64, 64, kernel_size=(2, 2), stride=(2, 2))
      (post_layernorm): Glm4vRMSNorm((64,), eps=1e-05)
    )
    (language_model): Glm4vTextModel(
      (embed_tokens): Embedding(151552, 64, padding_idx=151329)
      (layers): ModuleList(
        (0-1): 2 x Glm4vTextDecoderLayer(
          (self_attn): Glm4vTextAttention(
            (q_proj): Linear(in_features=64, out_features=64, bias=True)
            (k_proj): Linear(in_features=64, out_features=32, bias=True)
            (v_proj): Linear(in_features=64, out_features=32, bias=True)
            (o_proj): Linear(in_features=64, out_features=64, bias=False)
          )
          (mlp): Glm4vTextMLP(
            (gate_up_proj): Linear(in_features=64, out_features=256, bias=False)
            (down_proj): Linear(in_features=128, out_features=64, bias=False)
            (activation_fn): SiLU()
          )
          (input_layernorm): Glm4vRMSNorm((64,), eps=1e-05)
          (post_attention_layernorm): Glm4vRMSNorm((64,), eps=1e-05)
          (post_self_attn_layernorm): Glm4vRMSNorm((64,), eps=1e-05)
          (post_mlp_layernorm): Glm4vRMSNorm((64,), eps=1e-05)
        )
      )
      (norm): Glm4vRMSNorm((64,), eps=1e-05)
      (rotary_emb): Glm4vTextRotaryEmbedding()
    )
  )
  (lm_head): Linear(in_features=64, out_features=151552, bias=False)
)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Glm4vForConditionalGeneration
Ревизия весов
fe554c4

0 моделей