/ Модель

Характеристики

Контекст
128 000 токенов
Размер весов
11,8 МБ
Архитектура
glm4v_moe · dense
Базовая модель
GLM-4.5V
Библиотека
transformers
Опубликована
11 авг 2025

glm-4v-moe

Изображение и текст → текст3 профессии

tiny-random/glm-4v-moe — отладочная модель на базе конфигурации GLM-4.5V, разработанной командой zai-org.

1 487скачиваний за 30 дней2лайкавеса обновлены11 авг 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

Модель предназначена не для прикладного использования, а для тестирования и отладки реализации мультимодальной генерации в Transformers. Она принимает изображения и текст и генерирует текстовые ответы, например описания изображений.

Архитектура включает vision-компонент и языковую модель с механизмом Mixture-of-Experts (MoE). Конфигурация существенно уменьшена: языковая часть имеет 2 скрытых слоя, размер скрытого представления 32, 2 attention-головы и 1 key-value-голову; один слой плотный, один использует MoE. Vision-компонент имеет 2 слоя, размер скрытого представления 64 и 2 головы. Модель случайно инициализирована, поэтому не обладает обученными знаниями и не предназначена для получения осмысленных или стабильных результатов. Языки и размер контекстного окна в README не указаны.

Сильная сторона модели — малый размер и пригодность для воспроизводимой отладки и проверки совместимости компонентов, включая обработку изображений и генерацию текста. Основное ограничение — случайная инициализация: качество прикладных ответов отсутствует. README не содержит отдельного указания лицензии.

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 zai-org/GLM-4.5V.

Example usage:

import torch
from transformers import AutoProcessor, Glm4vMoeForConditionalGeneration

model_id = "tiny-random/glm-4v-moe"
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 = Glm4vMoeForConditionalGeneration.from_pretrained(
    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)
inputs.pop("token_type_ids", None)
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 accelerate
import torch
from huggingface_hub import file_exists, hf_hub_download
from transformers import (
    AutoConfig,
    AutoModelForCausalLM,
    AutoProcessor,
    GenerationConfig,
    Glm4vForConditionalGeneration,
    Glm4vMoeForConditionalGeneration,
    set_seed,
)
from transformers.models.glm4v_moe.modeling_glm4v_moe import Glm4vMoeTextTopkRouter

source_model_id = "zai-org/GLM-4.5V"
save_folder = "/tmp/tiny-random/glm-4v-moe"
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['text_config'].update({
    "hidden_size": 32,
    "head_dim": 32,
    "intermediate_size": 128,
    "first_k_dense_replace": 1,
    "moe_intermediate_size": 64,
    "num_attention_heads": 2,
    "num_key_value_heads": 1,
    "num_hidden_layers": 2,  # one dense, one moe
    "tie_word_embeddings": True,
})
config_json['text_config']['rope_scaling']['mrope_section'] = [2, 2, 4]
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'] = config_json['text_config']['hidden_size']

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 = Glm4vMoeForConditionalGeneration(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
num_params = sum(p.numel() for p in model.parameters())
with torch.no_grad():
    for name, p in sorted(model.named_parameters()):
        torch.nn.init.normal_(p, 0, 0.1)
        print(name, p.shape, p.dtype, p.device, f'{p.numel() / num_params * 100: .2f}%')
for _, m in sorted(model.named_modules()):
    if isinstance(m, Glm4vMoeTextTopkRouter):
        assert 'e_score_correction_bias' in m.state_dict()
        torch.nn.init.normal_(m.e_score_correction_bias, 0, 1)
model.save_pretrained(save_folder)
print(model)

Printing the model:

Glm4vMoeForConditionalGeneration(
  (model): Glm4vMoeModel(
    (visual): Glm4vMoeVisionModel(
      (embeddings): Glm4vMoeVisionEmbeddings(
        (position_embedding): Embedding(576, 64)
      )
      (patch_embed): Glm4vMoeVisionPatchEmbed(
        (proj): Conv3d(3, 64, kernel_size=(2, 14, 14), stride=(2, 14, 14))
      )
      (rotary_pos_emb): Glm4vMoeVisionRotaryEmbedding()
      (blocks): ModuleList(
        (0-1): 2 x Glm4vMoeVisionBlock(
          (norm1): Glm4vMoeRMSNorm((64,), eps=1e-05)
          (norm2): Glm4vMoeRMSNorm((64,), eps=1e-05)
          (attn): Glm4vMoeVisionAttention(
            (qkv): Linear(in_features=64, out_features=192, bias=False)
            (proj): Linear(in_features=64, out_features=64, bias=False)
          )
          (mlp): Glm4vMoeisionMlp(
            (gate_proj): Linear(in_features=64, out_features=32, bias=False)
            (up_proj): Linear(in_features=64, out_features=32, bias=False)
            (down_proj): Linear(in_features=32, out_features=64, bias=False)
            (act_fn): SiLU()
          )
        )
      )
      (merger): Glm4vMoeVisionPatchMerger(
        (proj): Linear(in_features=32, out_features=32, bias=False)
        (post_projection_norm): LayerNorm((32,), eps=1e-05, elementwise_affine=True)
        (gate_proj): Linear(in_features=32, out_features=128, bias=False)
        (up_proj): Linear(in_features=32, out_features=128, bias=False)
        (down_proj): Linear(in_features=128, out_features=32, bias=False)
        (act1): GELU(approximate='none')
        (act_fn): SiLU()
      )
      (post_conv_layernorm): Glm4vMoeRMSNorm((64,), eps=1e-05)
      (downsample): Conv2d(64, 32, kernel_size=(2, 2), stride=(2, 2))
      (post_layernorm): Glm4vMoeRMSNorm((64,), eps=1e-05)
    )
    (language_model): Glm4vMoeTextModel(
      (embed_tokens): Embedding(151552, 32, padding_idx=151329)
      (layers): ModuleList(
        (0): Glm4vMoeTextDecoderLayer(
          (self_attn): Glm4vMoeTextAttention(
            (q_proj): Linear(in_features=32, out_features=64, bias=True)
            (k_proj): Linear(in_features=32, out_features=32, bias=True)
            (v_proj): Linear(in_features=32, out_features=32, bias=True)
            (o_proj): Linear(in_features=64, out_features=32, bias=False)
          )
          (mlp): Glm4vMoeTextMLP(
            (gate_proj): Linear(in_features=32, out_features=128, bias=False)
            (up_proj): Linear(in_features=32, out_features=128, bias=False)
            (down_proj): Linear(in_features=128, out_features=32, bias=False)
            (act_fn): SiLU()
          )
          (input_layernorm): Glm4vMoeTextRMSNorm((32,), eps=1e-05)
          (post_attention_layernorm): Glm4vMoeTextRMSNorm((32,), eps=1e-05)
        )
        (1): Glm4vMoeTextDecoderLayer(
          (self_attn): Glm4vMoeTextAttention(
            (q_proj): Linear(in_features=32, out_features=64, bias=True)
            (k_proj): Linear(in_features=32, out_features=32, bias=True)
            (v_proj): Linear(in_features=32, out_features=32, bias=True)
            (o_proj): Linear(in_features=64, out_features=32, bias=False)
          )
          (mlp): Glm4vMoeTextMoE(
            (experts): ModuleList(
              (0-127): 128 x Glm4vMoeTextMLP(
                (gate_proj): Linear(in_features=32, out_features=64, bias=False)
                (up_proj): Linear(in_features=32, out_features=64, bias=False)
                (down_proj): Linear(in_features=64, out_features=32, bias=False)
                (act_fn): SiLU()
              )
            )
            (gate): Glm4vMoeTextTopkRouter()
            (shared_experts): Glm4vMoeTextMLP(
              (gate_proj): Linear(in_features=32, out_features=64, bias=False)
              (up_proj): Linear(in_features=32, out_features=64, bias=False)
              (down_proj): Linear(in_features=64, out_features=32, bias=False)
              (act_fn): SiLU()
            )
          )
          (input_layernorm): Glm4vMoeTextRMSNorm((32,), eps=1e-05)
          (post_attention_layernorm): Glm4vMoeTextRMSNorm((32,), eps=1e-05)
        )
      )
      (norm): Glm4vMoeRMSNorm((32,), eps=1e-05)
      (rotary_emb): Glm4vMoeTextRotaryEmbedding()
    )
  )
  (lm_head): Linear(in_features=32, 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
Glm4vMoeForConditionalGeneration
Ревизия весов
68a7fbd

0 моделей