- 综合排序
- 最热优先
- 最新优先
- 来自专栏自然语言处理
【LLM系列之GLM】GLM: General Language Model Pretraining with Autoregressive Blank Infilling
GLM通过添加2D位置编码并允许任意顺序预测跨度来改进空白填充预训练，从而在NLU任务上比BERT和T5获得了性能提升。 通过变化空白数量和长度，可以针对不同类型的任务对GLM进行预训练。 1 GLM预训练 GLM 将 NLU 任务制定为包含任务描述的完形填空问题，这些问题可以通过自回归生成来回答。 1.1. 自回归空白填充 GLM通过优化自回归空白填充目标进行训练。 微调GLM 使用 GLM 将情感分类任务制定为空白填充。 通常，对于下游 NLU 任务，会在模型之上添加线性分类器，从而导致预训练和微调之间的不一致。 在这种情况下，GLM 使用交叉熵损失进行了微调。 3 实验结果 3.1 SuperGLUE 预训练的 GLM 模型针对每个任务进行了微调。 GLM515M （ GPT Large的 1.5 ）可以进一步超越GPT Large。 4 结论 GLM是一种用于自然语言理解和生成的通用预训练框架。
2.6K50编辑于 2023-08-25 - 来自专栏数据派THU
广义线性模型（GLM）及其应用
广义线性模型[generalize linear model(GLM)]是线性模型的扩展，通过联系函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。 mu) import statsmodels.api as sm exog, endog = sm.add_constant(x), y # Poisson regression mod = sm.GLM 总结 如果要进行“广义线性模型（GLM）”分析，只需要摘到我们需要的联系函数，它的作用就是把Y与X间的非线性关系转换成线性关系，我们完全可以自己编写我们需要的联系函数。 本文代码： https://github.com/ranasingh-gkp/StatisticalModeling_Implement/blob/main/GLM.ipynb 编辑：王菁 校对：林亦霖
1.9K20编辑于 2022-09-07 - 来自专栏AgenticAI
GLM-5 深度解读：智谱如何重塑 Agentic Engineering ｜如何白嫖体验 GLM-5
技术架构：站在巨人肩膀上的创新 GLM-5 的技术架构体现了"站在巨人肩膀上"的明智选择。 评估集合中，GLM-5 在前端、后端、长程任务等编程开发任务上显著超越 GLM-4.7。 应用场景：从代码生成到智能体任务 GLM-5 的能力支持非常全面，包括思考模式、流式输出、Function Call、上下文缓存、结构化输出等核心功能，同时支持MCP 工具调用和GLM in Excel 如何白嫖体验 GLM-5 打开 VS Code 里的 Kilo Code，模型选择 GLM-5 free，我已经白嫖体验上了，目前为止体感不错，等待深入白嫖体验。 参考资料 [1] GLM-5官方文档: https://docs.bigmodel.cn/cn/guide/models/text/glm-5
79010编辑于 2026-02-28 - 来自专栏DeepHub IMBA
广义线性模型（GLM）及其应用
广义线性模型[generalize linear model(GLM)]是线性模型的扩展，通过联系函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。 import statsmodels.api as sm exog, endog = sm.add_constant(x), y # Poisson regression mod = sm.GLM 逻辑回归也就是我们常看到的这个样子 总结 如果要进行“广义线性模型（GLM）”分析，只需要摘到我们需要的联系函数，它的作用就是把Y与X间的非线性关系转换成线性关系，我们完全可以自己编写我们需要的联系函数 本文代码： https://github.com/ranasingh-gkp/StatisticalModeling_Implement/blob/main/GLM.ipynb 作者：Rana singh
1.3K10编辑于 2022-11-11 OpenClaw配置白山智算GLM-5
直接shell命令openclaw models set <provider/model>
1.9K40编辑于 2026-03-09GLM4-9B-chat Lora 微调
考虑到部分同学配置环境可能会遇到一些问题，我们在 AutoDL 平台准备了 GLM-4 的环境镜像，该镜像适用于本教程需要 GLM-4 的部署环境。点击下方链接并直接创建 AutoDL 示例即可。 https://www.codewithgpu.com/i/datawhalechina/self-llm/GLM-4 在本节教程里，我们将微调数据集放置在根目录 /dataset。 tokenizer = AutoTokenizer.from_pretrained('/root/autodl-tmp/glm-4-9b-chat/ZhipuAI/glm-4-9b-chat', use_fast -4-9b-chat/ZhipuAI/glm-4-9b-chat' lora_path = '. -4/05-GLM-4-9B-chat%20Lora%20%E5%BE%AE%E8%B0%83.ipynb
33910编辑于 2025-07-21GLM-4-9b-Chat 接入 LangChain
，也兼容langchain的0.1.15版本，下载方式如下： pip install langchain==0.1.15 考虑到部分同学配置环境可能会遇到一些问题，我们在 AutoDL 平台准备了 GLM -4 的环境镜像，该镜像适用于本教程需要 GLM-4 的部署环境。 https://www.codewithgpu.com/i/datawhalechina/self-llm/GLM-4 代码准备 为便捷构建 LLM 应用，我们需要基于本地部署的 Chat，自定义一个 self.gen_kwargs.get("top_k"), } @property def _llm_type(self) -> str: return "glm 2500, "do_sample": True, "top_k": 1} llm = ChatGLM4_LLM(mode_name_or_path="/root/autodl-tmp/ZhipuAI/glm
40710编辑于 2025-07-21- 来自专栏数据分析与挖掘
GLM: General Language Model Pretraining with Autoregressive Blank Infilling
ChatGLM的基座是GLM: General Language Model Pretraining with Autoregressive Blank Infilling论文中提出的模型，接下来我们来看看 /2022.acl-long.26.pdf代码地址：https://github.com/THUDM/GLM介绍预训练语言吗模型大体可以分为三种：自回归（GPT系列）、自编码（BERT系列）、编码-解码 GLM是一个通用的预训练语言模型，它在NLU（自然语言理解）、conditional（条件文本生成） and unconditional generation（非条件文本生成）上都有着不错的表现。 GLM的核心是：Autoregressive Blank Infilling，如下图1所示：即，将文本中的一段或多段空白进行填充识别。 模型架构GLM使用单个Transformer，并对架构进行了修改:(1)调整layer normalization和residual connection的顺序。
2.8K30编辑于 2023-04-02 - 来自专栏计算机视觉战队
基于LangChain+GLM搭建知识本地库
一种利用langchain思想实现的基于本地知识库的问答应用，目标期望建立一套对中文场景与开源模型支持友好、可离线运行的知识库问答解决方案。
1.6K60编辑于 2023-08-24 - 来自专栏程序随笔
聊聊GLM基座模型的理论知识
掩码处理 GLM统一了自编码模型与自回归模型，主要是在该处理过程实现的。该过程也被成为自回归空格填充。 掩码策略：在GLM模型中，采用了自回归空白填充（Autoregressive Blank Infilling）的自监督训练方式。 在GLM模型中，采用了交叉熵损失函数来衡量模型在掩码处理任务上的表现。这个过程涉及到优化理论和数值分析的知识。 在GLM中，使用二维位置编码，第一个位置id用来标记Part A中的位置，第二个位置id用来表示跨度内部的相对位置。 参考 清华ChatGLM底层原理详解 GLM（General Language Model）论文阅读笔记
1.4K10编辑于 2023-12-18 GLM-4-9B-Chat WebDemo 部署
install transformers_stream_generator==0.0.4 pip install tiktoken 考虑到部分同学配置环境可能会遇到一些问题，我们在 AutoDL 平台准备了 GLM -4 的环境镜像，该镜像适用于本教程需要 GLM-4 的部署环境。 https://www.codewithgpu.com/i/datawhalechina/self-llm/GLM-4 模型下载 使用 modelscope 中的snapshot_download函数下载模型 import snapshot_download, AutoModel, AutoTokenizer import os model_dir = snapshot_download('ZhipuAI/glm st.caption(" A streamlit chatbot powered by Self-LLM") # 定义模型路径 mode_name_or_path = 'autodl-tmp/ZhipuAI/glm
34710编辑于 2025-07-21Claude Code配置白山智算GLM-5
API_TIMEOUT_MS": "3000000", "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": "1", "ANTHROPIC_MODEL": "glm 问题一开始我以为要配置成 https://api.edgefn.net/v1/chat/completions 导致在对话时出现问题：There's an issue with the selected model (glm
85210编辑于 2026-03-05GLM-4-9B-chat FastApi 部署调用
0.1.99 pip install accelerate==0.24.1 pip install tiktoken==0.7.0 考虑到部分同学配置环境可能会遇到一些问题，我们在 AutoDL 平台准备了 GLM -4 的环境镜像，该镜像适用于本教程需要 GLM-4 的部署环境。 https://www.codewithgpu.com/i/datawhalechina/self-llm/GLM-4 模型下载 使用 modelscope 中的 snapshot_download import snapshot_download, AutoModel, AutoTokenizer import os model_dir = snapshot_download('ZhipuAI/glm main__': # 加载预训练的分词器和模型 tokenizer = AutoTokenizer.from_pretrained("/root/autodl-tmp/ZhipuAI/glm
53710编辑于 2025-07-21GLM-4-9B-Chat vLLM 部署调用
https://www.codewithgpu.com/i/datawhalechina/self-llm/GLM-4 使用 modelscope 中的 snapshot_download 函数下载模型 import snapshot_download, AutoModel, AutoTokenizerimport osmodel_dir = snapshot_download('ZhipuAI/glm 创建兼容 OpenAI API 接口的服务器 GLM4 兼容 OpenAI API 协议，所以我们可以直接使用 vLLM 创建 OpenAI API 服务器。 这里指定 --max-model-len=2048 是因为 GLM4-9b-Chat 模型的最大长度过长 128K，导致 vLLM 初始化 KV 缓存时消耗资源过大。 glm-4-9b-chat --max-model-len=2048 --trust-remote-code 通过 curl 命令查看当前的模型列表。
1.2K20编辑于 2025-07-21现在，如何免费使用GLM-5进行编程？
GLM-5已经发布了，并且获得了非常高的评价。我昨天发文章称，在open Router上可以免费使用，然而，我发的太迟了，今天随着智普公布新模型，openRouter上的模型已经下架。 而从智普的官网看，使用GLM-5的门槛还是很高的，编程计划必须是Max用户才能使用该模型，想直接调用API来体验，但是你会发现它的并发数只有1（普通用户，充值超2000可以提升），也无法在编程工具里面直接接入 在Trae国内版，已经上线GLM-5，可以免费体验，但是要忍受排队 2. 阿里Qoder，上线了GLM-5，有免费额度，免费积分用完就不能用 3.
1.1K10编辑于 2026-03-03GLM-4.7正式发布：代码更强，美学更美！
开篇暴击：这不是模型升级，是“职业代练”上线兄弟们，不是我夸张——GLM-4.7，它真·成了。它不光写代码稳了，连审美都卷上来了！ 硬核升级：三大“思考模式”，堪比程序员的“咖啡因开关”GLM-4.7搞了个新功能叫“先思考、再行动”（ThinkBeforeYouLeap），听着像人生哲理？ 审美革命：代码+设计=真·全栈开发体验你以为GLM-4.7只是“码力”飙升？不，它偷偷报了UI/UX速成班！ →秒回，绝不装深沉>结语：圣诞老人没来，但GLM-4.7带着热乎的commit来了它不完美——但它是第一个让“开源模型能真正交付”的选手。从前我们说：“开源模型，能跑就行。” 现在我们说：“GLM-4.7？哦，那个写了需求还能自测+改UI的同事。”彩蛋：用GLM-4.7给本文生成了个标题备选——《当AI学会审美：从“能跑就行”到“老板说加个微动效吧”》……我选了现在的这个。
2K140编辑于 2025-12-23- 来自专栏拓端tecdat
R语言代做编程辅导和解答GLM Coursework
survived || ---------------------------------------------------------- | -------------------- || fit1 <- glm (y ~ ldose * sex, family=binomial(link=probit)) | || fit2 <- glm(y ~ sex + ldose
59410编辑于 2022-12-13 - 来自专栏算法一只狗
GLM-PC和Operator对比：哪个Agent效果更好？
目前智谱的GLM-PC已经推出了1.1最新的版本，mac和windows用户都可以去到官网中下载体验：而OpenAI的Operator目前仅支持浏览器操作。 在技术路线方面，GLM-PC 与 Operator 采用了相似的技术方案，即基于多模态大模型的视觉识别与空间交互能力。 GLM-PC 作为 CogAgent 的早期产品，进一步拓展了这一技术的能力。 据开发文档介绍，GLM-PC 通过 多模态感知 实现了对整个 GUI 空间的交互，使其能够像人类一样以 视觉方式感知界面元素和布局，并模拟人类操作，如 点击、滚动、键盘输入 等基础交互。 但更大的差异性在于用户体验，从官方给出的文档上看，GLM-PC的功能更加完善，而且完全免费，下载就能玩。相比于要用200美元去体验OpenAI的operator，我更愿意使用智谱的GLM-PC。
69210编辑于 2025-02-05 - 来自专栏汪毅雄的专栏
机器学习之回归（二）：广义线性模型（GLM）
最后用两个常见的GLM特例Logistics回归、Softmax模型进行了推导。 而今天要聊的内容是线性模型的升级版，叫广义线性模型（GLM），基于此模型延伸而来的很多子模型很多，而且用途非常广，所以研究其很有意义！！！ GLM一个抽象模型，里面涉及了不少内容，很多相关文章也都有介绍。但是不少文章只是介绍了怎么用它，至于为什么引入，其各个角色之间的关系，介绍的不多。 为什么引入GLM？ 上一篇文章中，我们知道了”回归“一般是用于预测样本的值，这个值通常是连续的。但是受限于其连续的特性，一般用它来进行分类的效果往往很不理想。 这个多出来的处理过程，就是GLM所做的最主要的事。而处理过程的这个函数，我们把它叫做连接函数。
12.2K44发布于 2017-08-28 - 来自专栏开源心路
GLM-4 能力接近ChatGPT4和Claude 2.1
本文以GLM-4 发布功能作为基准对比ChatGPT4，Claude-2测试。 输入测试用例是GLM-4提供，用专业性打败专业性才有趣！ 以多模态理解，代码解释器，工具调用，逻辑推理方向测试。 代码解释器 GLM-4 ChatGPT 小结 基本爱心形态都有，但是GPT4效果明显比GLM-4 更漂亮！ 逻辑推理 GLM-4 ChatGPT Claude-2 小结 ** 逻辑推理能力GLM-4、ChatGPT、Claude-2不分伯仲！** 工具调用 GLM-4 ChatGPT 小结 不相伯仲！ GLM-4 新一代基座大模型GLM-4，整体性能相比GLM3全面提升60%，逼近GPT-4；支持更长上下文；更强的多模态；支持更快推理速度，更多并发，大大降低推理成本；同时GLM-4增强了智能体能力。 对齐能力：GLM-4在中文对齐能力上整体超过GPT-4。
77810编辑于 2024-01-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号