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

Bu model, 2026-01-13 tarihinde Hugging Face Transformers'a katkıda bulunulmuştur.

GlmImage

Genel Bakış

GLM-Image, görsel sadakatin ve ince detayların üst sınırını etkili bir şekilde zorlayan, hibrit otoregresif + difüzyon çözücü mimarisi benimseyen bir görüntü üretim modelidir. Genel görüntü üretim kalitesi açısından sektörde standart kabul edilen LDM tabanlı yaklaşımlarla uyumlu olup, bilgi yoğun görüntü üretim senaryolarında belirgin avantajlar sergiler.

Model mimarisi: hibrit otoregresif + difüzyon çözücü tasarımı

Otomatik regresif üreteç: GLM-4-9B-0414 modelinden başlatılan, görsel jetonları içerecek şekilde genişletilmiş sözlüğe sahip 9B parametreli bir model. Model, yaklaşık 256 jetonluk kompakt bir kodlamayı oluşturduktan sonra 1K–4K jetona genişler; bu da 1K–2K çözünürlüklü yüksek kaliteli görsel çıktılara karşılık gelir.
Diffusion Decoder: gizli uzayda görüntü çözümleme için tek akışlı DiT mimarisine dayalı, 7B parametreli bir çözümleyici. İçindekilerde doğru metin çözümlemesini önemli ölçüde iyileştiren bir Glyph Encoder metin modülü ile donatılmıştır.

Ayrıştırılmış pekiştirmeli öğrenme ile eğitim sonrası: model, GRPO algoritmasını kullanarak ince taneli, modüler bir geri bildirim stratejisi sunar ve hem semantik anlama hem de görsel detay kalitesini önemli ölçüde artırır.

Otomatik regresif modül: estetik ve anlamsal uyum odaklı düşük frekanslı geri bildirim sinyalleri sağlayarak talimat takibini ve sanatsal ifadeyi iyileştirir.
Decoder modülü: detay sadakati ve metin doğruluğunu hedefleyen yüksek frekanslı geri bildirim sağlar; bu sayede son derece gerçekçi doku, aydınlatma ve renk yeniden üretimi ile daha hassas metin işleme elde edilir.

GLM-Image, tek bir model içinde hem metinden görüntüye hem de görüntüden görüntüye üretimi destekler

Metinden görüntüye: metinsel açıklamalardan yüksek detaylı görüntüler üretir; özellikle bilgi yoğun senaryolarda güçlü bir performans sergiler.
Görselden görselde: görsel düzenleme, stil aktarımı, çoklu özne tutarlılığı ve insanlar ile nesneler için kimlik koruyucu üretim dahil olmak üzere geniş bir görev yelpazesini destekler.
GlmImageForConditionalGeneration, GLM-Image modelinin AR (otoregresif) kısmıdır; tam görüntü üretim hattı için lütfen buraya bakın.

Bu model Raushan Turganbay ve Yuxuan Zhang tarafından katkıda bulunmuştur.

Kullanım örnekleri

Görüntü girdisi kullanarak DIT için görüntü token'ı üretmek üzere GLM-Image kullanımı.


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

Genel Bakış

Kullanım örnekleri

GlmImageConfig

sınıf transformers.GlmImageConfig

GlmImageVisionConfig

sınıf transformers.GlmImageVisionConfig

GlmImageTextConfig

sınıf transformers.GlmImageTextConfig

GlmImageVQVAEConfig

sınıf transformers.GlmImageVQVAEConfig

GlmImageImageProcessor

sınıf transformers.GlmImageImageProcessor

ön işleme

GlmImageImageProcessorPil

sınıf transformers.GlmImageImageProcessorPil

ön işleme

GlmImageProcessor

sınıf transformers.GlmImageProcessor

__call__

GlmImageVisionModel

sınıf transformers.GlmImageVisionModel

forward

GlmImageTextModel

sınıf transformers.GlmImageTextModel

forward

GlmImageVQVAE

sınıf transformers.GlmImageVQVAE

forward

GlmImageModel

sınıf transformers.GlmImageModel

forward

get_image_features

GlmImageForConditionalGeneration

sınıf transformers.GlmImageForConditionalGeneration

forward

get_image_features

call