GLM-4多模态模型使用中的图像参数传递问题解析

问题背景

在使用GLM-4多模态版本进行图像理解任务时，开发者可能会遇到一个关于model_kwargs参数传递的报错问题。具体表现为当尝试通过tokenizer处理包含图像的对话模板时，系统提示ValueError: The following model_kwargs are not used by the model: ['images']的错误信息。

问题现象分析

当开发者按照常规方式构建包含图像的对话输入时，通常会这样组织数据结构：

inputs = tokenizer.apply_chat_template(
    [{"role": "user", "image": image, "content": query}],
    add_generation_prompt=True,
    tokenize=True,
    return_tensors="pt",
    return_dict=True
)

然而，这种写法会导致系统报错，提示images参数未被模型使用。有趣的是，如果将输入中的image键名改为images，虽然不再报错，但模型却无法正确识别图像内容。

根本原因

经过深入分析，发现这个问题源于GLM-4多模态版本在参数传递机制上的特殊设计：

1. 消息层与输入层的参数命名差异：在消息(message)层面，图像参数使用image作为键名；而在实际模型输入(input)层面，则使用images作为键名。

2. 参数传递机制：tokenizer在内部处理过程中会将消息层的image参数自动转换为输入层的images参数，开发者不应直接修改消息层的参数名。

解决方案

正确的使用方式应遵循以下原则：

1. 保持消息层的参数名为image：在构建对话模板时，继续使用image作为图像参数的键名。

2. 确保transformers版本兼容性：使用transformers 4.40.0及以上版本，推荐4.40.2版本以获得最佳兼容性。

3. 完整示例代码：

device = "cuda"

# 初始化tokenizer
tokenizer = AutoTokenizer.from_pretrained(
    "/path/to/glm-4v-9b",
    trust_remote_code=True
)

# 准备输入
query = '描述这张图片'
image = Image.open("assets/airplane.jpeg").convert('RGB')

# 构建对话模板（注意使用image作为键名）
inputs = tokenizer.apply_chat_template(
    [{"role": "user", "image": image, "content": query}],
    add_generation_prompt=True,
    tokenize=True,
    return_tensors="pt",
    return_dict=True
)

# 加载模型
model = AutoModelForCausalLM.from_pretrained(
    "/path/to/glm-4v-9b",
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    trust_remote_code=True
).to(device).eval()

# 生成配置
gen_kwargs = {"max_length": 2500, "do_sample": True, "top_k": 1}

# 执行推理
with torch.no_grad():
    outputs = model.generate(**inputs, **gen_kwargs)
    outputs = outputs[:, inputs['input_ids'].shape[1]:]
    print(tokenizer.decode(outputs[0]))

技术要点

1. 参数转换机制：GLM-4的tokenizer在内部会自动处理图像参数的名称转换，开发者无需手动干预这一过程。

2. 版本依赖：transformers库从4.40.0版本开始对多模态模型的支持更加完善，特别是对参数传递机制的处理更加规范。

3. 错误处理：当遇到类似参数未被使用的错误时，首先应检查参数名是否符合模型文档要求，而不是盲目修改参数名。

最佳实践建议

1. 始终参考官方文档和示例代码中的参数命名规范。

2. 在处理多模态输入时，注意区分消息层和模型输入层的参数命名差异。

3. 保持开发环境中的关键库（如transformers）更新到推荐版本。

4. 当遇到参数传递问题时，先打印完整的输入数据结构，帮助诊断问题所在。

通过遵循这些指导原则，开发者可以避免常见的参数传递错误，充分发挥GLM-4多模态版本的强大能力。