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

이 모델은 2026-01-13에 Hugging Face Transformers에 기여되었습니다.

GlmImage

개요

GLM-Image는 하이브리드 오토리그레시브 + 디퓨전 디코더 아키텍처를 채택한 이미지 생성 모델로, 시각적 충실도와 세밀한 디테일의 상한선을 효과적으로 끌어올립니다. 일반적인 이미지 생성 품질 측면에서는 업계 표준인 LDM 기반 방식과 동등한 수준을 유지하며, 지식 집약적인 이미지 생성 시나리오에서 뚜렷한 우위를 보입니다.

모델 아키텍처: 오토레거시브 + 디퓨전 디코더의 하이브리드 설계

자기회귀 생성기: GLM-4-9B-0414에서 초기화된 9B 파라미터 모델로, 시각 토큰을 포함하도록 어휘가 확장되었습니다. 모델은 먼저 약 256개 토큰의 압축된 인코딩을 생성한 후, 1K~2K 고해상도 이미지 출력에 해당하는 1K~4K 토큰으로 확장합니다.
Diffusion Decoder: 잠재 공간 이미지 디코딩을 위한 단일 스트림 DiT 아키텍처 기반의 7B 파라미터 디코더입니다. Glyph Encoder 텍스트 모듈을 탑재하여 이미지 내 텍스트 렌더링의 정확도를 크게 향상시켰습니다.

decoupled reinforcement learning를 활용한 Post-training: 해당 모델은 GRPO 알고리즘을 사용하여 세밀하고 모듈화된 피드백 전략을 도입하여, 의미 이해와 시각적 디테일 품질을 모두 크게 향상시킵니다.

자기회귀 모듈: 미적 품질과 의미 정합성에 초점을 맞춘 저주파 피드백 신호를 제공하여 지시 따름 능력과 예술적 표현력을 향상시킵니다.
Decoder 모듈: 디테일 충실도와 텍스트 정확도를 목표로 하는 고주파 피드백을 제공하여 매우 사실적인 텍스처, 조명 및 색상 재현과 더 정확한 텍스트 렌더링을 달성합니다.

GLM-Image는 단일 모델 내에서 텍스트-이미지 생성과 이미지-이미지 생성을 모두 지원합니다

텍스트-투-이미지: 텍스트 설명에서 고해상도 이미지를 생성하며, 정보 밀도가 높은 시나리오에서 특히 뛰어난 성능을 발휘합니다.
Image-to-image: 이미지 편집, 스타일 전이, 다중 대상 일관성, 사람 및 대상의 동일성 보존 생성 등 다양한 작업을 지원합니다.
GlmImageForConditionalGeneration은 GLM-Image 모델의 AR 부분이며, 전체 이미지 생성 파이프라인에 대해서는 여기를 참조하세요.

이 모델은 Raushan Turganbay와 Yuxuan Zhang에 의해 기여되었습니다.

사용 예시

이미지 입력을 사용하여 GLM-Image를 DIT에 사용할 비전 토큰 생성에 활용합니다.


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

개요

사용 예시

GlmImageConfig

클래스 transformers.GlmImageConfig

GlmImageVisionConfig

클래스 transformers.GlmImageVisionConfig

GlmImageTextConfig

class transformers.GlmImageTextConfig

GlmImageVQVAEConfig

클래스 transformers.GlmImageVQVAEConfig

GlmImageImageProcessor

클래스 transformers.GlmImageImageProcessor

preprocess

GlmImageImageProcessorPil

클래스 transformers.GlmImageImageProcessorPil

preprocess

GlmImageProcessor

클래스 transformers.GlmImageProcessor

__call__

GlmImageVisionModel

class transformers.GlmImageVisionModel

forward

GlmImageTextModel

클래스 transformers.GlmImageTextModel

forward

GlmImageVQVAE

class transformers.GlmImageVQVAE

forward

GlmImageModel

class transformers.GlmImageModel

forward

get_image_features

GlmImageForConditionalGeneration

클래스 transformers.GlmImageForConditionalGeneration

forward

get_image_features

call