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

Ce modèle a été contribué à Hugging Face Transformers le 2026-01-13.

GlmImage

Aperçu

GLM-Image est un modèle de génération d'images qui adopte une architecture de décodeur hybride autorégressive + diffusion, repoussant efficacement la limite supérieure de la fidélité visuelle et des détails fins. En termes de qualité générale de génération d'images, il est au niveau des approches basées sur LDM faisant référence dans l'industrie, tout en démontrant des avantages significatifs dans les scénarios de génération d'images intensifs en connaissances.

Architecture du modèle : une conception de décodeur hybride autorégressive + diffusion

Générateur autorégressif : un modèle de 9 milliards de paramètres initialisé à partir de GLM-4-9B-0414, avec un vocabulaire élargi pour intégrer des jetons visuels. Le modèle génère d'abord un encodage compact d'environ 256 jetons, puis l'étend à 1K–4K jetons, correspondant à des images de sortie haute résolution de 1K–2K.
Diffusion Decoder : un décodeur de 7 milliards de paramètres basé sur une architecture DiT à flux unique pour le décodage d'images dans l'espace latent. Il est équipé d'un module de texte Glyph Encoder, améliorant considérablement le rendu précis du texte au sein des images.

Post-entraînement par apprentissage par renforcement découplé : le modèle introduit une stratégie de rétroaction fine et modulaire utilisant l'algorithme GRPO, améliorant considérablement à la fois la compréhension sémantique et la qualité des détails visuels.

Module autorégressif : fournit des signaux de rétroaction basse fréquence axés sur l'esthétique et l'alignement sémantique, améliorant le respect des instructions et l'expressivité artistique.
Module décodeur : fournit un retour d'information haute fréquence ciblant la fidélité des détails et la précision du texte, ce qui aboutit à des textures, un éclairage et une reproduction des couleurs très réalistes, ainsi qu'à un rendu du texte plus précis.

GLM-Image prend en charge à la fois la génération d'images à partir de texte et la génération d'images à partir d'images au sein d'un seul modèle

Texte vers image : génère des images à fort niveau de détail à partir de descriptions textuelles, avec des performances particulièrement solides dans les scénarios denses en informations.
Image vers image : prend en charge une large gamme de tâches, notamment l'édition d'images, le transfert de style, la cohérence multi-sujets et la génération préservant l'identité pour les personnes et les objets.
GlmImageForConditionalGeneration est la partie AR du modèle GLM-Image. Pour le pipeline complet de génération d’images, veuillez consulter ici.

Ce modèle a été contribué par Raushan Turganbay et Yuxuan Zhang.

Exemples d'utilisation

Utiliser GLM-Image avec une image en entrée pour générer un jeton visuel pour l'utilisation de 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

Aperçu

Exemples d'utilisation

GlmImageConfig

classe transformers.GlmImageConfig

GlmImageVisionConfig

classe transformers.GlmImageVisionConfig

GlmImageTextConfig

classe transformers.GlmImageTextConfig

GlmImageVQVAEConfig

classe transformers.GlmImageVQVAEConfig

GlmImageImageProcessor

classe transformers.GlmImageImageProcessor

prétraiter

GlmImageImageProcessorPil

classe transformers.GlmImageImageProcessorPil

prétraiter

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