🚀 GLM-4-9B-0414

GLM-4-9B-0414是GLM系列的新成員，具有強大的文本生成能力。其性能可與OpenAI的GPT系列以及DeepSeek的V3/R1系列相媲美，還支持便捷的本地部署。該模型在多種任務中表現出色，如工程代碼生成、工件生成、函數調用、基於搜索的問答以及報告生成等。

🚀 快速開始

GLM-4-9B-0414可通過HuggingFace Transformers、vLLM或sgLang調用外部工具。以下是使用HuggingFace Transformers調用工具並生成最終響應的示例代碼：

import json
import re
import ast
from transformers import AutoModelForCausalLM, AutoTokenizer

MODEL_PATH = "THUDM/GLM-4-9B-0414"

tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)
model = AutoModelForCausalLM.from_pretrained(MODEL_PATH, device_map="auto")

def is_function_call(single_message):
    """Determine whether the current system message is a function call."""
    pattern = re.compile(r'([^\n`]*?)\n({.*?})(?=\w*\n|$)', re.DOTALL)
    matches = pattern.findall(single_message)
    if not matches:
        return False

    func_name, args_str = matches[0]
    func_name = func_name.strip()
    try:
        parsed_args = json.loads(args_str)
    except json.JSONDecodeError:
        try:
            parsed_args = ast.literal_eval(args_str)
        except:
            return False
    
    return {"name": func_name, "arguments": parsed_args}

def realtime_aqi(city):
    """Weather Query Tool"""
    if '北京' in city.lower():
        return json.dumps({'city': '北京', 'aqi': '10', 'unit': 'celsius'}, ensure_ascii=False)
    elif '上海' in city.lower():
        return json.dumps({'city': '上海', 'aqi': '72', 'unit': 'fahrenheit'}, ensure_ascii=False)
    else:
        return json.dumps({'city': city, 'aqi': 'unknown'}, ensure_ascii=False)

def build_system_prompt(tools):
    """Construct system prompt based on the list of available tools."""
    if tools is None:
        tools = []
    value = "# 可用工具"
    contents = []
    for tool in tools:
        content = f"\n\n## {tool['function']['name']}\n\n{json.dumps(tool['function'], ensure_ascii=False, indent=4)}"
        content += "\n在調用上述函數時，請使用 Json 格式表示調用的參數。"
        contents.append(content)
    value += "".join(contents)
    return value

tools = [
  {
    "type": "function", 
    "function": {
      "name": "realtime_aqi",
      "description": "天氣預報。獲取即時空氣質量。當前空氣質量，PM2.5，PM10信息",
      "parameters": {
          "type": "object",
          "properties": {
              "city": {
                  "description": "城市名"
              }
          },
          "required": [
              "city"
          ]
      }
	}
  }
]

system_prompt = build_system_prompt(tools)

message = [
    {"role": "system", "content": system_prompt},
    {"role": "user", "content": "北京和上海今天的天氣情況"}
]
print(f"User Message: {message[-1]['content']}")

while True:
    inputs = tokenizer.apply_chat_template(
        message,
        return_tensors="pt",
        add_generation_prompt=True,
        return_dict=True,
    ).to(model.device)

    generate_kwargs = {
        "input_ids": inputs["input_ids"],
        "attention_mask": inputs["attention_mask"],
        "max_new_tokens": 1024,
        "do_sample": True,
    }
    out = model.generate(**generate_kwargs)
    generate_resp = tokenizer.decode(out[0][inputs["input_ids"].shape[1]:-1], skip_special_tokens=False)
    stop_sequence = tokenizer.decode(out[0][-1:], skip_speical_tokens=False)
    if stop_sequence == "<|user|>":
        print(f"Assistant Response: {generate_resp.strip()}")
        break

    function_calls = []
    for m in generate_resp.split("<|assistant|>"):
        fc_decode = is_function_call(m.strip())
        if fc_decode:
            message.append({"role": "assistant", "metadata": fc_decode['name'], "content": json.dumps(fc_decode['arguments'], ensure_ascii=False)})
            print(f"Function Call: {fc_decode}")
            function_calls.append(fc_decode)
        else:
            message.append({"role": "assistant", "content": m})
            print(f"Assistant Response: {m.strip()}")
    
    for fc in function_calls:
        function_response = realtime_aqi(
            city=fc["arguments"]["city"],
        )
        print(f"Function Response: {function_response}")
        message.append({"role": "observation", "content": function_response})

✨ 主要特性

• 高性能：GLM-4-32B-0414系列模型具有320億參數，性能可與OpenAI的GPT系列和DeepSeek的V3/R1系列相媲美。
• 本地部署友好：支持非常用戶友好的本地部署功能。
• 多任務表現出色：在工程代碼、工件生成、函數調用、基於搜索的問答和報告生成等任務中取得了良好的效果。
• 推理能力強：GLM-Z1-32B-0414是具有深度思考能力的推理模型，GLM-Z1-Rumination-32B-0414是具有反思能力的深度推理模型。
• 小模型大能力：GLM-Z1-9B-0414在數學推理和一般任務中表現出色，在同規模的所有開源模型中整體性能名列前茅。

📚 詳細文檔

模型介紹

GLM-4-32B-Base-0414在15T高質量數據上進行了預訓練，包括大量推理類型的合成數據，為後續的強化學習擴展奠定了基礎。在微調階段，我們針對對話場景採用了人類偏好對齊。此外，使用拒絕採樣和強化學習等技術，增強了模型在指令遵循、工程代碼和函數調用方面的性能，從而強化了代理任務所需的原子能力。

GLM-Z1-32B-0414是基於GLM-4-32B-0414開發的推理模型，通過冷啟動、擴展強化學習以及在數學、代碼和邏輯等任務上的進一步訓練，與基礎模型相比，顯著提高了數學能力和解決複雜任務的能力。

GLM-Z1-Rumination-32B-0414是具有反思能力的深度推理模型，能夠進行更深入、更持久的思考，以解決更開放、更復雜的問題。該模型通過端到端強化學習進行訓練，使用真實答案或評分標準對響應進行評分，並可以在深度思考過程中利用搜索工具來處理複雜任務。

GLM-Z1-9B-0414是一個驚喜，我們採用了上述所有技術來訓練一個小模型（9B），它在數學推理和一般任務中表現出色，在同規模的所有開源模型中整體性能名列前茅。

功能展示

動畫生成

網頁設計

模型	示例圖片	提示信息
GLM-4-32B-0414		Design a drawing board that supports custom function plotting, allowing adding and deleting custom functions, and assigning colors to functions. (Prompt translated from Chinese)
GLM-4-32B-0414		Design a UI for a mobile machine learning platform, which should include interfaces for training tasks, storage management, and personal statistics. The personal statistics interface should use charts to display the user's resource usage over a period. Use Tailwind CSS to style the page, and display these 3 mobile interfaces tiled on a single HTML page. (Prompt translated from Chinese)

SVG生成

模型	示例圖片	提示信息
GLM-4-32B-0414		Create a misty Jiangnan scene using SVG. (Prompt translated from Chinese)
GLM-4-32B-0414		Use SVG to illustrate the training process of an LLM. (Prompt translated from Chinese)

基於搜索的寫作

對於基於搜索的寫作任務，我們使用以下系統提示讓模型根據搜索結果進行響應：

請根據所給搜索返回結果對用戶問題進行作答。

## 注意
1. 充分利用和整理收集到的信息，而不是簡單的複製粘貼，生成符合用戶要求且有深度的專業答案。
2. 所提供信息充分的情況下，你的回答需儘可能延長，從用戶意圖角度出發，提供具有足夠信息量和多角度的回覆。
3. 另外，並非所有的搜索結果都與用戶問題密切相關，請仔細的甄別、篩選和利用。
4. 客觀類問答的答案通常非常簡短，你可以適當補充一到兩句相關信息，以豐富內容。
5. 請確保你的回覆格式美觀、可讀性強。對於多實體對比或列舉，善用列表格式來幫助用戶更好的理解信息。
6. 除非用戶要求，否則你回答的語言請於用戶提問語言保持一致。
7. 在適當情況下在句子末尾使用例如:【0†source】的格式引用搜索結果。

使用時，你可以通過RAG或WebSearch等方法獲取搜索結果，並將其包裝在observation中，例如：

[
    {
        "role": "user",
        "content": "Explore the common characteristics of children's literature, with a focus on its narrative techniques and thematic tendencies. This includes narrative techniques: common approaches in children's literature such as first-person, third-person, omniscient narrator, and interactive narration, and their influence on young readers. It also includes thematic tendencies: recurring themes in children's literature such as growth, adventure, friendship, and family, with an analysis of how these themes impact children's cognitive and emotional development. Additionally, other universal features such as the use of personification, repetitive language, symbolism and metaphor, and educational value should be considered. Please provide a detailed analytical report based on academic research, classic examples of children's literature, and expert opinions."
    },
    {
        "role": "observation",
        "content": "【{id}†{title}†{url}】\n{content}"
    },
    ...
]

對於上述提示，我們使用內部或外部搜索模型獲取搜索結果。使用上述格式，我們可以生成以下分析報告：

函數調用

GLM-4-32B-0414支持以JSON格式調用外部工具。可以通過HuggingFace Transformers、vLLM或sgLang實現。 工具調用的消息格式如下：

{
    "role": "asssitant", 
    "metadata": function_name, 
    "content": json.dumps(call_arguments, ensure_ascii=False)
}

工具執行結果的消息格式如下：

{
    "role": "observation", 
    "content": json.dumps(tool_response, ensure_ascii=False) if not isinstance(tool_response, str) else tool_response
}

🔧 技術細節

GLM-4-32B-0414在15T高質量數據上進行了預訓練，包括大量推理類型的合成數據。在微調階段，採用了人類偏好對齊和強化學習等技術，增強了模型在指令遵循、工程代碼和函數調用方面的性能。

📄 許可證

本項目採用MIT許可證。