mirror of
https://www.modelscope.cn/ZhipuAI/GLM-4.1V-9B-Thinking.git
synced 2026-04-03 03:22:55 +08:00
95 lines
4.0 KiB
Markdown
95 lines
4.0 KiB
Markdown
---
|
||
license: mit
|
||
---
|
||
|
||
# GLM-4.1V-9B-Thinking
|
||
|
||
<div align="center">
|
||
<img src=https://raw.githubusercontent.com/THUDM/GLM-4.1V-Thinking/99c5eb6563236f0ff43605d91d107544da9863b2/resources/logo.svg width="40%"/>
|
||
</div>
|
||
<p align="center">
|
||
📖 查看 GLM-4.1V-9B-Thinking <a href="https://arxiv.org/abs/2507.01006" target="_blank">论文</a> 。
|
||
<br>
|
||
💡 立即在线体验 <a href="https://huggingface.co/spaces/THUDM/GLM-4.1V-9B-Thinking-Demo" target="_blank">Hugging Face</a> 或 <a href="https://modelscope.cn/studios/ZhipuAI/GLM-4.1V-9B-Thinking-Demo" target="_blank">ModelScope</a> 上的 GLM-4.1V-9B-Thinking。
|
||
<br>
|
||
📍 在 <a href="https://www.bigmodel.cn/dev/api/visual-reasoning-model/GLM-4.1V-Thinking">智谱大模型开放平台</a> 使用 GLM-4.1V-9B-Thinking 的API服务。
|
||
</p>
|
||
|
||
## 模型介绍
|
||
|
||
视觉语言大模型（VLM）已经成为智能系统的关键基石。随着真实世界的智能任务越来越复杂，VLM模型也亟需在基本的多模态感知之外，
|
||
逐渐增强复杂任务中的推理能力，提升自身的准确性、全面性和智能化程度，使得复杂问题解决、长上下文理解、多模态智能体等智能任务成为可能。
|
||
|
||
基于 [GLM-4-9B-0414](https://github.com/THUDM/GLM-4) 基座模型，我们推出新版VLM开源模型 **GLM-4.1V-9B-Thinking**
|
||
，引入思考范式，通过课程采样强化学习 RLCS（Reinforcement Learning with Curriculum Sampling）全面提升模型能力，
|
||
达到 10B 参数级别的视觉语言模型的最强性能，在18个榜单任务中持平甚至超过8倍参数量的 Qwen-2.5-VL-72B。
|
||
我们同步开源基座模型 **GLM-4.1V-9B-Base**，希望能够帮助更多研究者探索视觉语言模型的能力边界。
|
||
|
||
|
||
|
||
与上一代的 CogVLM2 及 GLM-4V 系列模型相比，**GLM-4.1V-Thinking** 有如下改进：
|
||
|
||
1. 系列中首个推理模型，不仅仅停留在数学领域，在多个子领域均达到世界前列的水平。
|
||
2. 支持 **64k** 上下长度。
|
||
3. 支持**任意长宽比**和高达 **4k** 的图像分辨率。
|
||
4. 提供支持**中英文双语**的开源模型版本。
|
||
|
||
## 榜单信息
|
||
|
||
GLM-4.1V-9B-Thinking 通过引入「思维链」（Chain-of-Thought）推理机制，在回答准确性、内容丰富度与可解释性方面，
|
||
全面超越传统的非推理式视觉模型。在28项评测任务中有23项达到10B级别模型最佳，甚至有18项任务超过8倍参数量的Qwen-2.5-VL-72B。
|
||
|
||
|
||
|
||
## 快速推理
|
||
|
||
这里展现了一个使用`transformers`进行单张图片推理的代码。首先，从源代码安装`transformers`库。
|
||
```
|
||
pip install git+https://github.com/huggingface/transformers.git
|
||
```
|
||
|
||
接着按照以下代码运行:
|
||
|
||
```python
|
||
from transformers import AutoProcessor, Glm4vForConditionalGeneration
|
||
import torch
|
||
|
||
MODEL_PATH = "THUDM/GLM-4.1V-9B-Thinking"
|
||
messages = [
|
||
{
|
||
"role": "user",
|
||
"content": [
|
||
{
|
||
"type": "image",
|
||
"url": "https://model-demo.oss-cn-hangzhou.aliyuncs.com/Grayscale_8bits_palette_sample_image.png"
|
||
},
|
||
{
|
||
"type": "text",
|
||
"text": "describe this image"
|
||
}
|
||
],
|
||
}
|
||
]
|
||
model = Glm4vForConditionalGeneration.from_pretrained(
|
||
pretrained_model_name_or_path=MODEL_PATH,
|
||
torch_dtype=torch.bfloat16,
|
||
device_map="auto",
|
||
)
|
||
processor = AutoProcessor.from_pretrained(MODEL_PATH, use_fast=True)
|
||
|
||
inputs = processor.apply_chat_template(
|
||
messages,
|
||
tokenize=True,
|
||
add_generation_prompt=True,
|
||
return_dict=True,
|
||
return_tensors="pt"
|
||
).to(model.device)
|
||
generated_ids = model.generate(**inputs, max_new_tokens=8192)
|
||
output_text = processor.decode(generated_ids[0][inputs["input_ids"].shape[1]:], skip_special_tokens=False)
|
||
print(output_text)
|
||
```
|
||
|
||
|
||
视频推理，网页端Demo部署等更代码请查看我们的 [github](https://github.com/THUDM/GLM-4.1V-Thinking)。
|
||
|