PEFT项目中使用ChatGLM模型遇到的NoneType问题分析与解决

问题背景

在使用PEFT(Parameter-Efficient Fine-Tuning)项目对ChatGLM模型进行微调时，开发者遇到了一个典型的错误：AttributeError: 'NoneType' object has no attribute 'shape'。这个问题出现在尝试使用PromptEncoder对THUDM/glm-4-9b-chat模型进行参数高效微调时。

错误原因深度分析

该错误的根本原因在于ChatGLM模型的特殊实现方式与PEFT的PromptEncoder机制之间存在兼容性问题。具体表现为：

1. 模型架构差异：ChatGLM模型采用了自定义的前向传播逻辑，与标准Transformer模型有所不同
2. 输入处理方式：PromptEncoder在内部处理时会直接传递inputs_embeds而非input_ids
3. 空值检查缺失：原始ChatGLM代码中缺少对input_ids为None情况的处理逻辑

解决方案实现

经过深入分析，我们确定了以下几种解决方案：

方案一：修改模型源码

在ChatGLM的modeling_chatglm.py文件中，需要对两处关键代码进行修改：

1. 添加空值检查：在获取batch_size和seq_length时，需要同时考虑input_ids和inputs_embeds两种情况
2. 完善注意力掩码生成：当full_attention_mask为None时，需要正确处理各种边界情况

具体修改如下：

# 修改点1：添加空值检查
if input_ids is not None:
    batch_size, seq_length = input_ids.shape
else:
    batch_size, seq_length, _ = inputs_embeds.shape

# 修改点2：完善注意力掩码生成
if full_attention_mask is None:
    if (attention_mask is not None and not attention_mask.all()) or (past_key_values and seq_length != 1):
        fake_ids = torch.zeros(batch_size, seq_length, dtype=torch.long, device=inputs_embeds.device)
        full_attention_mask = self.get_masks(fake_ids, past_key_values, padding_mask=attention_mask)

方案二：使用Monkey Patching

对于不希望直接修改模型源码的情况，可以采用Monkey Patching的方式动态修改模型行为：

def patched_forward(self, *args, **kwargs):
    # 自定义前向传播逻辑
    ...

original_forward = ChatGLMModel.forward
ChatGLMModel.forward = patched_forward

最佳实践建议

1. 版本控制：确保使用兼容的transformers和peft版本（如transformers 4.43.3）
2. 数据类型检查：在微调代码中添加完善的输入验证逻辑
3. 调试信息：在关键步骤添加调试输出，便于问题定位
4. 异常处理：对可能出现的边界情况进行妥善处理

扩展思考

这个问题反映了大型语言模型微调过程中的一个常见挑战：当使用自定义模型架构时，如何确保与参数高效微调方法的兼容性。开发者需要：

1. 深入理解模型的前向传播逻辑
2. 掌握PEFT各适配器的工作原理
3. 具备调试复杂模型交互问题的能力

通过解决此类问题，我们不仅能够完成特定模型的微调任务，还能积累处理类似兼容性问题的宝贵经验，为未来使用其他自定义模型打下坚实基础。