首页
/ GLM-4多模态模型使用中的图像参数传递问题解析

GLM-4多模态模型使用中的图像参数传递问题解析

2025-06-03 20:16:57作者:尤峻淳Whitney

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。

登录后查看全文
热门项目推荐
相关项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
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!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8