【机器学习】GLM4-9B-Chat大模型/GLM-4V-9B多模态大模型概述、原理及推理实战

预训练数据量提升3倍：在预训练方面，引入了大语言模型进入数据筛选流程，最终获得了 10T 高质量多语言数据。
训练效率提高了 3.5 倍：采用了 FP8 技术进行高效的预训练，相较于第三代模型，训练效率提高了 3.5 倍。
模型规模提升至 9B：在有限显存的情况下，探索了性能的极限，并发现 6B 模型性能有限。因此，在考虑到大多数用户的显存大小后，将模型规模提升至 9B，并将预训练计算量增加了 5 倍。

综合以上技术升级和其他经验，GLM-4-9B 模型具备了更强大的推理性能、更长的上下文处理能力、多语言、多模态和 All Tools 等突出能力。GLM-4-9B 系列模型包括：

基础版本 GLM-4-9B（8K）：基础版本。
对话版本 GLM-4-9B-Chat（128K）：人类偏好对齐的版本。除了能进行多轮对话，还具备网页浏览、代码执行、自定义工具调用（Function Call）和长文本推理（支持最大 128K 上下文）等高级功能。
超长上下文版本 GLM-4-9B-Chat-1M（1M）：支持 1M 上下文长度（约 200 万中文字符）。
多模态版本 GLM-4V-9B-Chat（8K）：具备 1120 * 1120 高分辨率下的中英双语多轮对话能力。

官方能力缩影图如下：

2.2 GLM4-9B 模型架构

GLM模型从发布之初，最主要的特点是将encoder-decoder相结合：

自编码：随机 MASK 输入中连续跨度的 token
自回归：基于自回归空白填充的方法重新构建跨度中的内容

具体模型，这里看一下“原地漫游”大佬在ChatGLM2-6B模型推理流程和模型架构详解中做的GLM架构图：

架构中包含输入层、Embedding层、GLMBlock*28层、RMS层、输出层，以及Residual网络和Rope。其中最核心的在于GLMBlock*28

输入层：
Tokenizer：将输入的文本序列转换为字或词标记的序列
Input_ids：将Tokenizer生成的词标记ID化。
Embedding层：
将每个ID映射到一个固定维度的向量，生成一个向量序列作为模型的初始输入表示
GLMBlock*28：重复28次，类似qwen1.5中将layer堆叠，包含2个大部分
Self-Attention：先将输入进行Q、K、V矩阵映射，引入RoPE位置网络后，再进行attention注意力计算，最后线性变换为输入同样的维度。输出后引入残差网络、Dropout、RMSNorm等方法方式过拟合。
Feed-Forward Network (MLP)：经过两层全连接变换，最多扩至13696维度（GLM4，ChatGLM3均为13696，ChatGLM2是27392），提升表征能力。激活函数使用Swiglu代替Relu。与self-attention的输出后一样，同样引入Dropout、RMSNorm方法。
RMSNorm层：标准化，这里使用RMSNorm（均方根标准化）代替LayerNorm（层标准化），具有加速训练和改善模型的泛化能力的效果，在实际的推荐系统工作中经常用到BatchNorm（批量标准化），在神经元激活函数前，加上一个BN层，使得每个批次的神经元输出遵循标准正态分布，解决深度传播过程中随数据分布产生的协变量偏移问题。
输出层：将将embedding转换会字词编码，之后decode为我们看到的文字。
Residual Connection：残差连接网络，在深度学习中经常用到的技巧，在神经网络的层与层之间添加一个直接的连接，允许输入信号无损地传递到较深的层。这样设计的目的是为了缓解梯度消失和梯度爆炸问题，同时促进梯度在深层网络中的流畅传播，使得训练更高效，模型更容易学习复杂的特征
Rotary Position Embedding（RoPE）：旋转位置编码，Qwen、LLaMA也在用，可以更好的学习词之间的位置信息。

附GLMBlock官方源码：

class GLMBlock(torch.nn.Module):
    """A single transformer layer.
    Transformer layer takes input with size [s, b, h] and returns an
    output of the same size.
    """

    def __init__(self, config: ChatGLMConfig, layer_number, device=None):
        super(GLMBlock, self).__init__()
        self.layer_number = layer_number

        self.apply_residual_connection_post_layernorm = config.apply_residual_connection_post_layernorm

        self.fp32_residual_connection = config.fp32_residual_connection

        LayerNormFunc = RMSNorm if config.rmsnorm else LayerNorm
        # Layernorm on the input data.
        self.input_layernorm = LayerNormFunc(config.hidden_size, eps=config.layernorm_epsilon, device=device,
                                             dtype=config.torch_dtype)

        # Self attention.
        self.self_attention = SelfAttention(config, layer_number, device=device)
        self.hidden_dropout = config.hidden_dropout

        # Layernorm on the attention output
        self.post_attention_layernorm = LayerNormFunc(config.hidden_size, eps=config.layernorm_epsilon, device=device,
                                                      dtype=config.torch_dtype)

        # MLP
        self.mlp = MLP(config, device=device)

    def forward(
            self, hidden_states, attention_mask, rotary_pos_emb, kv_cache=None, use_cache=True,
    ):
        # hidden_states: [s, b, h]

        # Layer norm at the beginning of the transformer layer.
        layernorm_output = self.input_layernorm(hidden_states)
        # Self attention.
        attention_output, kv_cache = self.self_attention(
            layernorm_output,
            attention_mask,
            rotary_pos_emb,
            kv_cache=kv_cache,
            use_cache=use_cache
        )

        # Residual connection.
        if self.apply_residual_connection_post_layernorm:
            residual = layernorm_output
        else:
            residual = hidden_states

        layernorm_input = torch.nn.functional.dropout(attention_output, p=self.hidden_dropout, training=self.training)
        layernorm_input = residual + layernorm_input

        # Layer norm post the self attention.
        layernorm_output = self.post_attention_layernorm(layernorm_input)

        # MLP.
        mlp_output = self.mlp(layernorm_output)

        # Second residual connection.
        if self.apply_residual_connection_post_layernorm:
            residual = layernorm_output
        else:
            residual = layernorm_input

        output = torch.nn.functional.dropout(mlp_output, p=self.hidden_dropout, training=self.training)
        output = residual + output

        return output, kv_cache

附GLMBlock大图（by 原地漫游）：

三、模型推理

3.1 GLM4-9B-Chat 语言模型

以为官方样例代码直接就能跑，结果由于网络、GPU、依赖包版本问题卡了好久（有趣的是，GLM卡了太长时间，于是先去Qwen1.5官网找了源码，调通后平移到GLM。这怎么评价呢）：

网络：使用modelscope代替huggingface下载模型
GPU：transformers支持多种GPU指定方式，这里用到了两种，均以字符串"cuda:2"形式指定
tokenizer或model变量后加.to("cuda:2")方法
在from_pretrained里加入device_map="cuda:2"参数。
pip安装依赖包：transformers、mdeolscope、torch==2.3.0、torchvision==0.18.0，最好用腾讯源安装，节约很多时间
 pip install torch==2.3.0 -i https://mirrors.cloud.tencent.com/pypi/simple

3.1.1 model.generate

需要apply_chat_template（应用对话模版）引入对话messages数组以及设置add_generation_prompt=True对含有对话角色的message输入进行解析处理。大致意思就是将多个对话安装顺序展开成一行，并在每个角色对话之间加入“特殊符号”分割区分。具体可以参考如何设置transformers的聊天模板chat_template？

from modelscope import snapshot_download
from transformers import AutoTokenizer, AutoModelForCausalLM
model_dir = snapshot_download('ZhipuAI/glm-4-9b-chat')
import torch

device = "cuda:2" # the device to load the model onto

tokenizer = AutoTokenizer.from_pretrained(model_dir,trust_remote_code=True)

prompt = "介绍一下大语言模型"
messages = [
    {"role": "system", "content": "你是一个智能助理."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(device)

model = AutoModelForCausalLM.from_pretrained(
    model_dir,
    device_map="cuda:2",
    trust_remote_code=True
)

gen_kwargs = {"max_length": 512, "do_sample": True, "top_k": 1}
with torch.no_grad():
    outputs = model.generate(**model_inputs, **gen_kwargs)
    outputs = outputs[:, model_inputs['input_ids'].shape[1]:]
    print(tokenizer.decode(outputs[0], skip_special_tokens=True))

"""
generated_ids = model.generate(
    model_inputs.input_ids,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)

"""

运行结果如下：

共计消耗GPU显存18G

3.1.2 model.chat

代码干净简洁好理解，并可以轻松实现多轮对话。只需要实例化tokenizer和model就可以了。ChatGLM和Qwen1.0早期均采用model.chat直接生成对话作为样例，后来可能系统提示词system prompt太刚需了，所以都采用apply_chat_template了。是这样吗？

from modelscope import snapshot_download
from transformers import AutoTokenizer, AutoModelForCausalLM
model_dir = snapshot_download('ZhipuAI/glm-4-9b-chat')


#from modelscope import AutoModelForCausalLM, AutoTokenizer
#from modelscope import GenerationConfig

tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_dir, device_map="cuda:2", trust_remote_code=True, torch_dtype=torch.bfloat16).eval()
#model.generation_config = GenerationConfig.from_pretrained("ZhipuAI/glm-4-9b-chat", trust_remote_code=True) # 可指定不同的生成长度、top_p等相关超参

response, history = model.chat(tokenizer, "你好", history=None)
print(response)
response, history = model.chat(tokenizer, "浙江的省会在哪里？", history=history) 
print(response)
response, history = model.chat(tokenizer, "它有什么好玩的景点", history=history)
print(response)

多轮对话结果：

3.2 GLM-4V-9B 多模态模型

同时，GLM还发布了图像识别大模型GLM-4V-9B（8K）：

3.2.1 多模态模型概述

该模型采用了与CogVLM2相似的架构设计，能够处理高达1120 x 1120分辨率的输入，并通过降采样技术有效减少了token的开销。为了减小部署与计算开销，GLM-4V-9B没有引入额外的视觉专家模块，采用了直接混合文本和图片数据的方式进行训练，在保持文本性能的同时提升多模态能力。

3.2.2 多模态模型实践

上自己调通的代码：

from modelscope import snapshot_download
from transformers import AutoTokenizer, AutoModelForCausalLM
model_dir = snapshot_download('ZhipuAI/glm-4v-9b')
import torch
from PIL import Image

device = "cuda:2" # the device to load the model onto

tokenizer = AutoTokenizer.from_pretrained(model_dir,trust_remote_code=True)

prompt = "描述一下这张图片"
image = Image.open("./test_pic.png").convert("RGB")
messages = [
    {"role": "user", "image":image,"content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(device)

model = AutoModelForCausalLM.from_pretrained(
    model_dir,
    device_map="cuda:2",
    trust_remote_code=True
)

gen_kwargs = {"max_length": 512, "do_sample": True, "top_k": 1}
with torch.no_grad():
    outputs = model.generate(**model_inputs, **gen_kwargs)
    outputs = outputs[:, model_inputs['input_ids'].shape[1]:]
    print(tokenizer.decode(outputs[0], skip_special_tokens=True))

"""
generated_ids = model.generate(
    model_inputs.input_ids,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)

"""

不过官方表示，GLM-4V-9B参数量达到13B，之前baichuan2-13B计算过，大概需要13*2.5=32.5G的显存，本人使用32B的单卡直接爆显存了。如果官方能看到，真希望再优化一丢丢。

四、总结

本文首先对GLM4-9B的模型特点及原理进行介绍，接着分别对GLM4-9B-Chat语言大模型和GLM-4V-9B多模态大模型进行代码实践。之前更多使用LLaMA_Factory、Xinference等框架对模型的Chat、Client及Api进行测试和部署，很多框架真的已经封装的非常易用（一件部署+前端管理），transformers原生版的反倒生疏了。最近正在夯实transformers库的知识，基础知识扎实在AI智能体开发过程中遇到问题才能游刃有余，上限更高。

期待您的关注+三连，您的鼓励让我创作更加充满动力！

如果您还有时间，可以看看我的其他文章：

《AI—工程篇》

AI智能体研发之路-工程篇（一）：Docker助力AI智能体开发提效

AI智能体研发之路-工程篇（二）：Dify智能体开发平台一键部署

AI智能体研发之路-工程篇（三）：大模型推理服务框架Ollama一键部署

AI智能体研发之路-工程篇（四）：大模型推理服务框架Xinference一键部署

AI智能体研发之路-工程篇（五）：大模型推理服务框架LocalAI一键部署

《AI-模型篇》

AI智能体研发之路-模型篇（一）：大模型训练框架LLaMA-Factory在国内网络环境下的安装、部署及使用

AI智能体研发之路-模型篇（二）：DeepSeek-V2-Chat 训练与推理实战

AI智能体研发之路-模型篇（三）：中文大模型开、闭源之争