- 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。
2.9K50编辑于 2023-08-25 - 来自专栏代码简单说
Cherry Studio 接入 GLM-5.1 教程｜Cherry Studio 配置 GLM 模型方法
Cherry Studio 接入 GLM-5.1 教程｜Cherry Studio 配置 GLM 模型方法 SEO关键词：Cherry Studio教程、Cherry Studio配置大模型、GLM-5.1 使用方法、GLM模型接入、Cherry Studio配置API Key、GLM Coding Plan 前段时间在折腾本地 AI 工具时，一直想找一个比常规客户端更灵活的多模型工具，最后发现 Cherry 五、添加 GLM 模型 点击 管理模型，添加： GLM-5.1 GLM-4.7 如下图： 添加完成后保存配置。 六、开始使用 GLM 模型 回到对话界面，选择刚添加的模型即可开始使用。 GLM-5.1 与 GLM-4.7 怎么选？ 简单理解： 模型 适合场景 GLM-5.1 编程、复杂推理、长上下文 GLM-4.7 日常对话、轻量任务 八、总结 Cherry Studio + GLM 的组合非常适合： 多模型统一管理 编程辅助
12710编辑于 2026-06-16 - 来自专栏代码简单说
在 Factory Droid 中使用 GLM Coding Plan的方法 Factory Droid接入GLM教程
在 Factory Droid 中使用 GLM Coding Plan的方法 Factory Droid接入GLM教程 GLM Coding Plan 体验卡入口(下单立减10%金额 最近太火爆 要10 点蹲点抢 )： https://www.bigmodel.cn/glm-coding? Coding Plan GLM Coding Plan 支持 GLM-4.7 模型，并提供超大输出 Token（131072），对大型项目尤其有价值。 -4.7 [GLM Coding Plan China] - Anthropic", "model": "glm-4.7", "baseUrl": "https://open.bigmodel.cn -4.7 [GLM Coding Plan China] - Openai", "model": "glm-4.7", "baseUrl": "https://open.bigmodel.cn
11710编辑于 2026-06-16 OpenClaw + GLM 5.1 = 免费 AI Agent
GLM-5.1：来自智谱 AI的一个 AI 模型。它在 2026 年 4 月 7 日发布，是目前世界上最好的开源模型之一。 GLM-5.1 可以通过 Ollama 作为 cloud model 使用，也就是 glm-5.1:cloud。这样它会运行得很快，而你本地不需要额外硬件条件。 1. 选择 GLM 5.1 模型 只要输入 ollama，程序就会启动，然后选择 “Chat with a model” 这个选项。 接下来，选择你要用的模型，我这里选的是 GLM 5.1。 就像视频里演示的一样，GLM-5.1 在 Ollama 页面上已经给出了现成的命令： • 用 GLM-5.1 启动 Claude Code • 用 GLM-5.1 启动 Codex • 用 GLM-5.1 启动 OpenCode 这意味着你可以通过不同的编程接口来调用 GLM-5.1 的能力。
28210编辑于 2026-06-15- 来自专栏代码简单说
GLM文本模型该选哪个?智谱 GLM 系列模型横向对比来了!
GLM文本模型该选哪个?智谱 GLM 系列模型横向对比来了! 智谱 AI 近期密集迭代，相继推出 GLM-4.6、GLM-4.7、GLM-5、GLM-5-Turbo 与 GLM-5.1 五款主力模型。 GLM Coding Plan 体验卡入口(下单立减10%金额 )： https://www.bigmodel.cn/glm-coding? 三、 权威基准与性能表现对比 评测维度 GLM-4.6 GLM-4.7 GLM-5 GLM-5-Turbo GLM-5.1 综合编程 (SWE-bench Verified) 对齐 Sonnet 4 73.8% ，选 GLM-4.7； 需要处理复杂系统依赖与企业级工程任务，选 GLM-5； 深度依赖 OpenClaw 生态与自动化工作流，选 GLM-5-Turbo； 目标是构建可连续工作 8 小时、交付工程级成果的全自治智能体 ，GLM-5.1 是当前不二之选。
19910编辑于 2026-06-16 - 来自专栏openclaw系列
penClaw 集成 GLM 模型家族指南
一、GLM模型家族概述GLM并非一家公司，而是一个不断进化的模型系列。在OpenClaw中，你可以通过zai提供商轻松调用该系列的最新成员。为什么选择GLM？ 高性价比：相比同级别的国际模型，GLM通常提供更具竞争力的价格性能比。长上下文：部分GLM模型支持超长上下文窗口，适合处理长篇文档、代码库分析等任务。 常见可用型号包括：zai/glm-5：最新一代旗舰，综合性能最强。zai/glm-4.7：高性能版本，平衡速度与智能。zai/glm-4.6：稳定可靠的经典版本。 后缀：对应Z.AI平台上的具体模型名称(如glm-5,glm-4-flash)。版本迭代注意GLM系列更新频繁。旧版本模型可能会逐渐下线或降级。 成本优化：对于简单的分类、提取任务，优先使用glm-4.6或flash系列；仅在复杂推理、代码生成时使用glm-5。长文档处理：GLM的长上下文版本非常适合RAG(检索增强生成)场景。
1.1K20编辑于 2026-03-18 OpenClaw + GLM 5.1 = 免费 AI Agent
GLM-5.1：来自智谱AI的一个AI模型。它在2026年4月7日发布，是目前世界上最好的开源模型之一。 GLM-5.1可以通过Ollama作为cloudmodel使用，也就是glm-5.1:cloud。这样它会运行得很快，而你本地不需要额外硬件条件。 2.选择GLM5.1模型只要输入ollama，程序就会启动，然后选择“Chatwithamodel”这个选项。接下来，选择你要用的模型，我这里选的是GLM5.1。 就像视频里演示的一样，GLM-5.1在Ollama页面上已经给出了现成的命令：用GLM-5.1启动ClaudeCode用GLM-5.1启动Codex用GLM-5.1启动OpenCode这意味着你可以通过不同的编程接口来调用 GLM-5.1的能力。
2K11编辑于 2026-04-23- 来自专栏代码简单说
Claude Code接入GLM5 Coding Plan教程（安装与模型切换详解） GLM Coding Plan 体验
Claude Code接入GLM Coding Plan教程（安装与模型切换详解）GLM Coding Plan 体验 关键词：Claude Code 使用教程、GLM Coding Plan 配置方法 GLM Coding Plan 体验卡入口(下单立减10%金额)： https://www.bigmodel.cn/glm-coding? 三、接入 GLM Coding Plan 默认情况下，Claude Code 使用官方接口。 若需要接入 GLM Coding Plan，需要替换为 GLM 的兼容接口。 GLM-4.7 ANTHROPIC_DEFAULT_HAIKU_MODEL GLM-4.5-Air 五、如何切换到 GLM-5？ GLM-5 参数规模更大，对标 Opus 级别模型。
76110编辑于 2026-06-16 - 来自专栏代码简单说
Cline接入GLM Coding Plan完整教程（VS Code配置详解）Cline + GLM Coding Plan 的组合方案
Cline接入GLM Coding Plan完整教程（VS Code配置详解） 关键词：Cline 使用教程、GLM Coding Plan 配置方法、VS Code 接入 GLM、glm-5 配置方式 /glm-coding? glm-coding? 四、配置 GLM Coding Plan API 这是核心步骤。 2️⃣ 如果使用 GLM-5 自定义模型名称填写： glm-5 不要写成其它格式。
17810编辑于 2026-06-16 - 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
2.1K20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
2.8K10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
1.5K10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>
2.9K40编辑于 2026-03-09智谱GLM-4.7编程第一
GLM-4.7 编程能力实测：代码生成更稳定、前端审美大升级 从写代码到做 PPT，GLM-4.7 全能升级，实测体验如何？ 实测 100 个真实编程任务：GLM-4.7 编程能力提升有多明显？ GLM-4.7 来了，这次真的不一样。 作为智谱最新旗舰模型，GLM-4.7 面向 Agentic Coding 场景全面升级：编码能力更强、长程任务规划更稳、工具协同更顺。 在多个公开基准测试中，GLM-4.7 已取得开源模型中的领先表现。 结果显示：GLM-4.7 相较 GLM-4.6 在稳定性与可交付性上均有明显提升。 随着编程能力的增强，开发者可以更自然地以"任务交付"为核心组织开发流程，形成从需求理解到落地实现的端到端闭环。 案例展示由 GLM-4.7 独立完成的高交互小游戏，如植物大战僵尸、水果忍者。 写在最后 GLM-4.7 的这次升级，不仅仅是参数的提升，更是从"生成代码"到"完成任务"的思维方式转变。
42310编辑于 2026-04-29GLM-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
55710编辑于 2025-07-21GLM4-9B-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
50810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。
2.9K30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。
1.9K60编辑于 2023-08-24 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
59610编辑于 2025-07-21- 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
1.7K10编辑于 2023-12-18
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