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:
-
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。 -
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:
-
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。 -
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。
-
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
-
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。
-
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。
-
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
-
始终参考官方文档和示例代码中的参数命名规范。
-
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。
-
保持开发环境中的关键库(如transformers)更新到推荐版本。
-
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。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









