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

Este modelo foi contribuído para o Hugging Face Transformers em 13/01/2026.

GlmImage

Visão geral

O GLM-Image é um modelo de geração de imagens que adota uma arquitetura híbrida de decodificador autoregressivo + difusão, elevando efetivamente o limite superior de fidelidade visual e de detalhes finos. Em termos de qualidade geral de geração de imagens, ele se alinha às abordagens padrão do setor baseadas em LDM, ao mesmo tempo em que demonstra vantagens significativas em cenários de geração de imagens intensivos em conhecimento.

Arquitetura do modelo: um design de decodificador híbrido autoregressivo + difusão、

Gerador autoregressivo: um modelo de 9 bilhões de parâmetros inicializado a partir de GLM-4-9B-0414, com um vocabulário expandido para incorporar tokens visuais. O modelo primeiro gera uma codificação compacta de aproximadamente 256 tokens e, em seguida, expande para 1K–4K tokens, correspondendo a saídas de imagens de alta resolução de 1K–2K.
Diffusion Decoder: um decodificador de 7 bilhões de parâmetros baseado em uma arquitetura DiT de fluxo único para decodificação de imagens no espaço latente. Ele é equipado com um módulo de texto Glyph Encoder, melhorando significativamente a renderização precisa de texto dentro das imagens.

Pós-treinamento com aprendizado por reforço desacoplado: o modelo introduz uma estratégia de feedback modular e de granularidade fina usando o algoritmo GRPO, aprimorando substancialmente tanto a compreensão semântica quanto a qualidade dos detalhes visuais.

Módulo autoregressivo: fornece sinais de feedback de baixa frequência focados em estética e alinhamento semântico, melhorando o seguimento de instruções e a expressividade artística.
Módulo decodificador: fornece feedback de alta frequência voltado para a fidelidade dos detalhes e a precisão do texto, resultando em texturas, iluminação e reprodução de cores altamente realistas, bem como em uma renderização de texto mais precisa.

O GLM-Image suporta tanto a geração de texto para imagem quanto a geração de imagem para imagem em um único modelo

Texto para imagem: gera imagens de alto detalhe a partir de descrições textuais, com desempenho particularmente forte em cenários com alta densidade de informações.
Image-to-image: suporta uma ampla variedade de tarefas, incluindo edição de imagem, transferência de estilo, consistência de múltiplos sujeitos e geração que preserva a identidade de pessoas e objetos.
GlmImageForConditionalGeneration é a parte de geração autoregressiva (AR) do modelo GLM-Image. Para o pipeline completo de geração de imagens, consulte aqui.

Este modelo foi contribuído por Raushan Turganbay e Yuxuan Zhang.

Exemplos de uso

Usando o GLM-Image com entrada de imagem para gerar um token de visão para uso no 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

Visão geral

Exemplos de uso

GlmImageConfig

classe transformers.GlmImageConfig

GlmImageVisionConfig

classe transformers.GlmImageVisionConfig

GlmImageTextConfig

classe transformers.GlmImageTextConfig

GlmImageVQVAEConfig

classe transformers.GlmImageVQVAEConfig

GlmImageImageProcessor

classe transformers.GlmImageImageProcessor

pré-processamento

GlmImageImageProcessorPil

classe transformers.GlmImageImageProcessorPil

pré-processamento

GlmImageProcessor

classe transformers.GlmImageProcessor

__call__

GlmImageVisionModel

classe transformers.GlmImageVisionModel

forward

GlmImageTextModel

classe transformers.GlmImageTextModel

forward

GlmImageVQVAE

classe transformers.GlmImageVQVAE

forward

GlmImageModel

classe transformers.GlmImageModel

forward

get_image_features

GlmImageForConditionalGeneration

classe transformers.GlmImageForConditionalGeneration

forward

get_image_features

call