Transformers documentation

GlmImage

Transformers

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).

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

Model ini disumbangkan ke Hugging Face Transformers pada 2026-01-13.

GlmImage

Ikhtisar

GLM-Image adalah model generasi gambar yang mengadopsi arsitektur dekode hybrid autoregressive + diffusion, secara efektif mendorong batas atas fidelitas visual dan detail bergranulitas halus. Dalam kualitas generasi gambar secara umum, model ini sejajar dengan pendekatan berbasis LDM standar industri, sambil menunjukkan keunggulan signifikan dalam skenario generasi gambar yang intensif pengetahuan.

Arsitektur model: desain dekode hybrid autoregressive + diffusion、

Generator autoregresif: model dengan 9B parameter yang diinisialisasi dari GLM-4-9B-0414, dengan kosakata yang diperluas untuk mengintegrasikan token visual. Model ini pertama kali menghasilkan enkoding ringkas sekitar 256 token, kemudian diperluas menjadi 1K–4K token, yang sesuai dengan output gambar resolusi tinggi 1K–2K.
Diffusion Decoder: decoder dengan 7B parameter yang didasarkan pada arsitektur DiT single-stream untuk decoding gambar di ruang laten. Dilengkapi dengan modul teks Glyph Encoder, yang secara signifikan meningkatkan akurasi rendering teks di dalam gambar.

Pelatihan pasca-pelatihan dengan pembelajaran penguatan yang terdekopel: model ini memperkenalkan strategi umpan balik yang modular dan bergranularitas halus menggunakan algoritma GRPO, yang secara signifikan meningkatkan kualitas pemahaman semantik dan detail visual.

Modul autoregresif: menyediakan sinyal umpan balik frekuensi rendah yang berfokus pada estetika dan keselarasan semantik, meningkatkan kepatuhan terhadap instruksi dan ekspresivitas artistik.
Modul decoder: memberikan umpan balik frekuensi tinggi yang menargetkan fidelitas detail dan akurasi teks, menghasilkan tekstur, pencahayaan, dan reproduksi warna yang sangat realistis, serta render teks yang lebih presisi.

GLM-Image mendukung generasi teks-ke-gambar dan gambar-ke-gambar dalam satu model

Text-to-image: menghasilkan gambar berdetail tinggi dari deskripsi teks, dengan kinerja yang sangat kuat dalam skenario padat informasi.
Image-to-image: mendukung berbagai tugas, termasuk pengeditan gambar, transfer gaya, konsistensi multi-subjek, dan generasi yang mempertahankan identitas untuk orang dan objek.
GlmImageForConditionalGeneration adalah bagian AR dari model GLM-Image, dan untuk pipeline generasi gambar lengkap, silakan lihat di sini.

Model ini disumbangkan oleh Raushan Turganbay dan Yuxuan Zhang.

Contoh penggunaan

Menggunakan GLM-Image dengan input gambar untuk menghasilkan vision token untuk penggunaan DIT.


import torch

from transformers import AutoProcessor, GlmImageForConditionalGeneration


model = GlmImageForConditionalGeneration.from_pretrained(
    pretrained_model_name_or_path="zai-org/GLM-Image/vision_language_encoder",
    device_map=torch.accelerator.current_accelerator()
)
processor = AutoProcessor.from_pretrained(
    pretrained_model_name_or_path="zai-org/GLM-Image/processor",
    use_fast=True
)

# Case1 T2I
prompt = "现代美食杂志风格的甜点制作教程图，主题为覆盆子慕斯蛋糕。整体布局干净明亮，分为四个主要区域：顶部左侧是黑色粗体标题“覆盆子慕斯蛋糕制作指南”，右侧搭配光线柔和的成品蛋糕特写照片，蛋糕呈淡粉色，表面点缀新鲜覆盆子与薄荷叶；左下方为配料清单区域，标题“配料”使用简洁字体，下方列有“面粉 150g”“鸡蛋 3个”“细砂糖 120g”“覆盆子果泥 200g”“明胶片 10g”“淡奶油 300ml”“新鲜覆盆子”等配料，每种配料旁配有简约线图标（如面粉袋、鸡蛋、糖罐等）；右下方是四个等大的步骤方框，每个方框内含高清微距实拍图及对应操作说明，从上到下依次为：步骤1展示打蛋器打发白色泡沫（对应说明“打发蛋白至干性发泡”），步骤2展示红白相间的混合物被刮刀翻拌（对应说明“轻柔翻拌果泥与面糊”），步骤3展示粉色液体被倒入圆形模具（对应说明“倒入模具并冷藏4小时”），步骤4展示成品蛋糕表面装饰覆盆子与薄荷叶（对应说明“用覆盆子和薄荷装饰”）；底部边缘设浅棕色信息条，左侧图标分别代表“准备时间：30分钟”“烹饪时间：20分钟”“份量：8人份”。整体色调以奶油白、淡粉色为主，背景带轻微纸质纹理，图文排版紧凑有序，信息层级分明。"
target_h, target_w = 1152, 768
use_reference_images = False
reference_image_paths = None

# ## Case2
# prompt = "Replace the background of the snow forest with an underground station featuring an automatic escalator."
# cond_0 = "cond.jpg"
# target_h, target_w = 1152, 768
# use_reference_images = True
# reference_image_paths = [cond_0]

## Case3
# prompt = "Make the man in the first figure and the child from the second image bow at the same time in a respectful KTV."
# cond_0 = "cond_0.jpg"
# cond_1 = "cond_1.jpg"
# target_h, target_w = 1152, 768
# use_reference_images = True
# reference_image_paths = [cond_0, cond_1]


def build_messages(prompt, use_reference_images, reference_image_paths):
    content = []
    if use_reference_images:
        for img_path in reference_image_paths:
            content.append({"type": "image", "url": img_path})
    content.append({"type": "text", "text": prompt})
    return [{"role": "user", "content": content}]


def compute_generation_params(image_grid_thw, use_reference_images):
    grid_sizes = []
    for i in range(image_grid_thw.shape[0]):
        t, h, w = image_grid_thw[i].tolist()
        grid_sizes.append(int(h * w))

    target_output_length = grid_sizes[0]

    if use_reference_images:
        max_new_tokens = grid_sizes[-1] + 1
        output_start_offset = 0
        output_length = grid_sizes[-1]
    else:
        total_tokens = sum(grid_sizes)
        max_new_tokens = total_tokens + 1
        output_start_offset = sum(grid_sizes[1:])
        output_length = target_output_length

    return max_new_tokens, output_start_offset, output_length


messages = build_messages(prompt, use_reference_images, reference_image_paths if use_reference_images else None)

inputs = processor.apply_chat_template(
    messages,
    target_h=target_h,
    target_w=target_w,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

image_grid_thw = inputs.get('image_grid_thw')
print(f"image_grid_thw: {image_grid_thw}")

max_new_tokens, output_start_offset, output_length = compute_generation_params(
    image_grid_thw, use_reference_images
)

print(f"use_reference_images: {use_reference_images}")
print(f"max_new_tokens: {max_new_tokens}")
print(f"output_start_offset: {output_start_offset}")
print(f"output_length: {output_length}")

outputs = model.generate(
    **inputs,
    max_new_tokens=max_new_tokens,
    do_sample=True
)

input_length = inputs["input_ids"].shape[-1]
output_tokens = outputs[0][input_length:][output_start_offset:output_start_offset + output_length]
print(f"Input length: {input_length}")
print(f"Total generated tokens: {outputs[0].shape[-1] - input_length}")
print(f"Extracted output tokens shape: {output_tokens.shape}")
print(f"Output tokens: {output_tokens}")

Transformers

GlmImage

Ikhtisar

Contoh penggunaan

GlmImageConfig

kelas transformers.GlmImageConfig

GlmImageVisionConfig

kelas transformers.GlmImageVisionConfig

GlmImageTextConfig

kelas transformers.GlmImageTextConfig

GlmImageVQVAEConfig

kelas transformers.GlmImageVQVAEConfig

GlmImageImageProcessor

kelas transformers.GlmImageImageProcessor

praproses

GlmImageImageProcessorPil

kelas transformers.GlmImageImageProcessorPil

praproses

GlmImageProcessor

kelas transformers.GlmImageProcessor

__call__

GlmImageVisionModel

kelas transformers.GlmImageVisionModel

forward

GlmImageTextModel

kelas transformers.GlmImageTextModel

forward

GlmImageVQVAE

kelas transformers.GlmImageVQVAE

forward

GlmImageModel

kelas transformers.GlmImageModel

forward

get_image_features

GlmImageForConditionalGeneration

kelas transformers.GlmImageForConditionalGeneration

forward

get_image_features

call