# GLM-5, GLM-5.1, GLM-5.2, GLM-5.3

## Ikhtisar

Model bahasa **GLM-5**, **GLM-5.1**, **GLM-5.2**, dan **GLM-5.3** menggunakan kelas ini. Implementasi di transformers tidak menyertakan lapisan MTP.

### GLM-5.3

GLM-5.3 menggunakan model dasar yang sama dengan GLM-5.2 — setiap peningkatan berasal dari pelatihan pasca. Dibandingkan dengan GLM-5.2, model ini jauh lebih baik dalam pemrograman kompleks dan tugas jangka panjang:

+ Coding yang Lebih Kuat: GLM-5.3 adalah model open-weights paling mumpuni untuk coding, dengan peningkatan 50% dibandingkan GLM-5.2 pada Z.ai Code Bench internal kami. Model ini juga mencapai SOTA open-source pada benchmark publik, termasuk Terminal Bench 3.0 dan Agents' Last Exam.
+ Kemampuan Siber yang Muncul: Saat kami memperluas pascapelatihan, kemampuan siber berkembang lebih cepat dari yang kami perkirakan. GLM-5.3 merupakan state of the art pada CyberGym untuk penemuan kerentanan, dan peningkatan terbesarnya terjadi lebih jauh di rantai eksploitasi, di mana model ini lebih dari dua kali lipat GLM-5.2 pada benchmark eksploitasi.

![bench_53](https://raw.githubusercontent.com/zai-org/GLM-5/refs/heads/main/resources/bench_53_2.png)

### GLM-5.2

GLM-5.2, model unggulan terbaru kami untuk tugas jangka panjang. Model ini menandai lompatan besar dalam kemampuan tugas jangka panjang dibandingkan pendahulunya, GLM-5.1, dan untuk pertama kalinya, menghadirkan kemampuan tersebut pada **konteks 1 juta token yang solid**.

Kemampuan baru GLM-5.2 meliputi:
- **Konteks 1M Token yang Solid:** Konteks 1M token yang solid untuk mendukung pekerjaan jangka panjang secara stabil
- **Pemrograman Lanjutan dengan Upaya Fleksibel**: Kemampuan pemrograman yang lebih kuat dengan beberapa tingkat upaya berpikir untuk menyeimbangkan kinerja dan latensi
- **Arsitektur yang Ditingkatkan**: Kami mengusulkan [IndexShare](https://huggingface.co/papers/2603.12201), yang menggunakan ulang indexer yang sama di setiap empat lapisan sparse attention, mengurangi FLOPs per token sebesar 2,9× pada panjang konteks 1M. Kami juga meningkatkan lapisan MTP dari GLM-5.2 untuk speculative decoding, meningkatkan panjang penerimaan hingga 20%

![bench_52](https://raw.githubusercontent.com/zai-org/GLM-5/refs/heads/main/resources/bench_52.png)

Pada benchmark pemrograman standar, GLM-5.2 adalah model open-source terkuat, dengan peningkatan yang signifikan dibandingkan GLM-5.1: 81.0 vs. 62.0 pada Terminal-Bench 2.1 dan 62.1 vs. 58.4 pada SWE-bench Pro. Model ini juga menutup sebagian besar jarak dengan frontier closed-source — pada Terminal-Bench 2.1 (81.0), kinerjanya hanya terpaut beberapa poin dari Claude Opus 4.8 (85.0) — sekaligus tetap unggul dari Gemini 3.1 Pro.

Untuk detail lebih lanjut, periksa [blog](https://z.ai/blog/glm-5.2) kami.

### GLM-5.1

GLM-5.1 adalah model unggulan generasi berikutnya kami untuk rekayasa agen, dengan kemampuan penulisan kode yang jauh lebih kuat dibandingkan pendahulunya. Model ini mencapai kinerja state-of-the-art pada SWE-Bench Pro dan memimpin GLM-5 dengan selisih yang signifikan pada NL2Repo (generasi repo) dan Terminal-Bench 2.0 (tugas terminal dunia nyata).

![bench_51](https://raw.githubusercontent.com/zai-org/GLM-5/refs/heads/main/resources/bench_51.png)

Namun, lompatan yang paling bermakna melampaui kinerja pada tahap awal. Model-model sebelumnya—termasuk GLM-5—cenderung menghabiskan repertoarnya lebih awal: mereka menerapkan teknik-teknik yang sudah dikenal untuk mendapatkan peningkatan awal yang cepat, kemudian mencapai titik jenuh. Memberikan mereka lebih banyak waktu tidak membantu.

Sebaliknya, GLM-5.1 dibangun agar tetap efektif pada tugas agentic di sepanjang horizon yang jauh lebih panjang. Kami menemukan bahwa model ini menangani masalah ambigu dengan penilaian yang lebih baik dan tetap produktif selama sesi yang lebih panjang. Model ini memecah masalah kompleks, menjalankan eksperimen, membaca hasil, dan mengidentifikasi penghalang dengan presisi yang nyata. Dengan meninjau kembali penalarannya dan merevisi strateginya melalui iterasi berulang, GLM-5.1 mempertahankan optimasi selama ratusan putaran dan ribuan panggilan alat. Semakin lama model ini berjalan, semakin baik hasilnya.

### GLM-5

GLM-5 ([GlmMoeDsa](https://huggingface.co/papers/2602.15763)) adalah model mixture-of-experts dengan 744B parameter dan 40B parameter aktif per token, yang menggunakan DeepSeek Sparse Attention (DSA) untuk penanganan konteks 200K token secara efisien. Model ini dilatih sepenuhnya pada chip Huawei Ascend dan menunjukkan kinerja setara level frontier pada benchmark penalaran dan konteks panjang.

Dengan kemajuan dalam pre-training dan post-training, GLM-5 memberikan peningkatan signifikan dibandingkan GLM-4.7 di berbagai benchmark akademik dan mencapai kinerja terbaik di kelasnya di antara semua model open-source di dunia untuk tugas penalaran, coding, dan agentic, sehingga memperkecil jarak dengan model frontier.

![bench](https://raw.githubusercontent.com/zai-org/GLM-5/refs/heads/main/resources/bench.png)

## GlmMoeDsaConfig[[transformers.GlmMoeDsaConfig]]

#### transformers.GlmMoeDsaConfig[[transformers.GlmMoeDsaConfig]]

```python
transformers.GlmMoeDsaConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, vocab_size: int = 154880, hidden_size: int = 6144, intermediate_size: int = 12288, moe_intermediate_size: int = 2048, num_hidden_layers: int = 78, num_attention_heads: int = 64, num_key_value_heads: int = 64, n_shared_experts: int = 1, n_routed_experts: int = 256, output_router_logits: bool = False, routed_scaling_factor: float = 2.5, kv_lora_rank: int = 512, q_lora_rank: int = 2048, qk_rope_head_dim: int = 64, v_head_dim: int = 256, qk_nope_head_dim: int = 192, n_group: int = 1, topk_group: int = 1, num_experts_per_tok: int = 8, norm_topk_prob: bool = True, hidden_act: str = 'silu', max_position_embeddings: int = 202752, initializer_range: float = 0.02, rms_norm_eps: float = 1e-05, use_cache: bool = True, pad_token_id: int | None = None, bos_token_id: int | None = 0, eos_token_id: int | list[int] | None = 1, tie_word_embeddings: bool = False, rope_parameters: dict | None = None, mlp_layer_types: list[str] | None = None, attention_bias: bool = False, attention_dropout: float | int = 0.0, index_topk: int = 2048, index_head_dim: int = 128, index_n_heads: int = 32, mlp_bias: bool = False, head_dim: int = 64, first_k_dense_replace: int = 3, layer_types: list[str] | None = None, indexer_types: list[str] | None = None)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/glm_moe_dsa/configuration_glm_moe_dsa.py#L29)

**Parameter:**

vocab_size (`int`, *opsional*, defaultnya `154880`) : Ukuran kosakata model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh `input_ids`.

hidden_size (`int`, *opsional*, defaultnya `6144`) : Dimensi dari representasi tersembunyi.

intermediate_size (`int`, *opsional*, defaultnya `12288`) : Dimensi dari representasi MLP.

moe_intermediate_size (`int`, *opsional*, defaultnya `2048`) : Ukuran perantara dari MLP pakar yang dirutekan.

num_hidden_layers (`int`, *opsional*, defaultnya `78`) : Jumlah lapisan tersembunyi dalam decoder Transformer.

num_attention_heads (`int`, *opsional*, defaultnya `64`) : Jumlah attention heads untuk setiap lapisan attention dalam decoder Transformer.

num_key_value_heads (`int`, *opsional*, defaultnya `64`) : Ini adalah jumlah key_value heads yang harus digunakan untuk mengimplementasikan Grouped Query Attention. Jika `num_key_value_heads=num_attention_heads`, model akan menggunakan Multi Head Attention (MHA), jika `num_key_value_heads=1` model akan menggunakan Multi Query Attention (MQA), selain itu GQA yang digunakan. Saat mengonversi checkpoint multi-head menjadi checkpoint GQA, setiap group key dan value head harus dibangun dengan meanpooling semua head asli di dalam grup tersebut. Untuk detail lebih lanjut, lihat [paper ini](https://huggingface.co/papers/2305.13245). Jika tidak ditentukan, akan default ke `num_attention_heads`.

n_shared_experts (`int`, *opsional*, defaultnya `1`) : Jumlah pakar bersama.

n_routed_experts (`int`, *opsional*, defaultnya `256`) : Jumlah pakar yang dirutekan.

output_router_logits (`bool`, *opsional*, defaultnya `False`) : Apakah logits router harus dikembalikan oleh model. Mengaktifkan ini juga akan memungkinkan model untuk mengoutputkan loss tambahan, termasuk load balancing loss dan router z-loss.

routed_scaling_factor (`float`, *opsional*, defaultnya `2.5`) : Faktor penskalaan atau pakar yang dialihkan.

kv_lora_rank (`int`, *opsional*, defaultnya `512`) : Rank dari matriks LoRA untuk proyeksi key dan value.

q_lora_rank (`int`, *opsional*, defaultnya `2048`) : Rank dari matriks LoRA untuk proyeksi query.

qk_rope_head_dim (`int`, *opsional*, defaultnya `64`) : Dimensi dari kepala query/key yang menggunakan penyematan posisi rotasi.

v_head_dim (`int`, *opsional*, defaultnya `256`) : Dimensi dari kepala nilai.

qk_nope_head_dim (`int`, *opsional*, defaultnya `192`) : Dimensi dari kepala query/key yang tidak menggunakan penyematan posisi rotasi.

n_group (`int`, *opsional*, default 1) : Jumlah grup untuk pakar yang diarahkan.

topk_group (`int`, *opsional*, defaultnya `1`) : Jumlah grup yang dipilih untuk setiap token (untuk setiap token, memastikan pakar yang dipilih hanya berada di dalam `topk_group` grup).

num_experts_per_tok (`int`, *opsional*, defaultnya `8`) : Jumlah pakar untuk merutekan setiap token. Ini adalah nilai top-k untuk perutekan pilihan token.

norm_topk_prob (`bool`, *opsional*, defaultnya `True`) : Apakah akan menormalisasi bobot dari para ahli yang dirutekan.

hidden_act (`str`, *opsional*, defaultnya `silu`) : Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, `"gelu"`, `"relu"`, `"silu"`, dan sebagainya.

max_position_embeddings (`int`, *opsional*, defaultnya `202752`) : Panjang maksimum urutan yang mungkin akan digunakan dengan model ini.

initializer_range (`float`, *opsional*, defaultnya `0.02`) : Deviasi standar dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot.

rms_norm_eps (`float`, *opsional*, defaultnya `1e-05`) : epsilon yang digunakan oleh lapisan normalisasi rms.

use_cache (`bool`, *opsional*, defaultnya `True`) : Apakah model harus mengembalikan perhatian kunci/nilai terakhir (tidak digunakan oleh semua model). Hanya relevan jika `config.is_decoder=True` atau ketika model adalah model generatif yang hanya decoder.

pad_token_id (`int`, *opsional*) : ID token yang digunakan untuk padding dalam kosakata.

bos_token_id (`int`, *opsional*, defaultnya `0`) : Token id yang digunakan untuk awal-stream dalam kosakata.

eos_token_id (`Union[int, list[int]]`, *opsional*, defaultnya `1`) : Token id yang digunakan untuk end-of-stream dalam kosakata.

tie_word_embeddings (`bool`, *opsional*, defaultnya `False`) : Apakah mengikat embedding bobot sesuai dengan pemetaan `tied_weights_keys` model.

rope_parameters (`dict`, *opsional*) : Kamus yang berisi parameter konfigurasi untuk embedding RoPE. Kamus ini harus berisi nilai untuk `rope_theta` dan secara opsional parameter yang digunakan untuk penskalaan jika Anda ingin menggunakan RoPE dengan `max_position_embeddings` yang lebih panjang.

mlp_layer_types (`list`, *opsional*) : pola tipe MLP untuk setiap lapisan (`"dense"` atau `"sparse"`). Bawaan adalah 3 dense + sisanya sparse.

attention_bias (`bool`, *opsional*, defaultnya `False`) : Apakah akan menggunakan bias pada lapisan proyeksi query, key, value, dan output selama self-attention.

attention_dropout (`Union[float, int]`, *opsional*, defaultnya `0.0`) : Rasio dropout untuk probabilitas perhatian.

index_topk (`int`, *opsional*, default 2048) : Jumlah token teratas yang dipilih oleh indexer untuk perhatian jarang (sparse attention).

index_head_dim (`int`, *opsional*, default 128) : Dimensi head untuk proyeksi indexer (DSA).

index_n_heads (`int`, *opsional*, default 32) : Jumlah kepala untuk proyeksi indexer (DSA).

mlp_bias (`bool`, *opsional*, defaultnya `False`) : Apakah akan menggunakan bias pada lapisan up_proj, down_proj, dan gate_proj di lapisan MLP.

head_dim (`int`, *opsional*, defaultnya `64`) : Dimensi kepala perhatian. Jika None, nilainya akan menjadi hidden_size // num_attention_heads

first_k_dense_replace (`int`, *opsional*, default 3) : Jumlah lapisan awal yang menggunakan MLP padat; sisanya menggunakan blok MoE.

layer_types (`list[str]`, *opsional*) : Daftar yang secara eksplisit memetakan setiap indeks lapisan dengan tipe lapisannya. Jika tidak disediakan, daftar ini akan dibuat secara otomatis berdasarkan nilai konfigurasi.

indexer_types (`list[str]`, *opsional*) : Mode indexer per lapisan (`"full"` menjalankan indexer, `"shared"` menggunakan ulang top-k dari lapisan penuh sebelumnya). Nilainya secara default mengikuti pola yang diturunkan dari `index_topk_freq` / `index_skip_topk_offset` (atau `index_topk_pattern`).

Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari GlmMoeDsaModel. Kelas ini digunakan untuk membuat instans model Glm Moe Dsa sesuai dengan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [zai-org/GLM-5](https://huggingface.co/zai-org/GLM-5)

Objek konfigurasi mewarisi dari [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig) dan dapat digunakan untuk mengontrol keluaran model. Baca dokumentasi dari [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig) untuk informasi lebih lanjut.

```python
>>> from transformers import GlmMoeDsaConfig, GlmMoeDsaModel

>>> # Initializing a GLM-MoE-DSA configuration
>>> configuration = GlmMoeDsaConfig()

>>> # Initializing a model from the configuration
>>> model = GlmMoeDsaModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## GlmMoeDsaModel[[transformers.GlmMoeDsaModel]]

#### transformers.GlmMoeDsaModel[[transformers.GlmMoeDsaModel]]

```python
transformers.GlmMoeDsaModel(config: GlmMoeDsaConfig)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/glm_moe_dsa/modeling_glm_moe_dsa.py#L652)

**Parameter:**

config ([GlmMoeDsaConfig](/docs/transformers/v5.23.0/id/model_doc/glm_moe_dsa#transformers.GlmMoeDsaConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/v5.23.0/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model.

Model Glm Moe Dsa polos yang menghasilkan hidden-states mentah tanpa head spesifik di atasnya.

Model ini mewarisi dari [PreTrainedModel](/docs/transformers/v5.23.0/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.)

Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum.

#### forward[[transformers.GlmMoeDsaModel.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/glm_moe_dsa/modeling_glm_moe_dsa.py#L668)

**Parameter:**

input_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default. Indeks dapat diperoleh menggunakan [AutoTokenizer](/docs/transformers/v5.23.0/id/model_doc/auto#transformers.AutoTokenizer). Lihat [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) dan [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) untuk detailnya. [Apa itu input IDs?](../glossary#input-ids)

attention_mask (`torch.Tensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Mask untuk menghindari pelaksanaan attention pada indeks token padding. Nilai mask dipilih dalam `[0, 1]`:  - 1 untuk token yang **tidak di-mask**, - 0 untuk token yang **di-mask**.  [Apa itu attention masks?](../glossary#attention-mask)

position_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks posisi token dari setiap urutan input dalam embedding posisi. Dipilih dalam rentang `[0, config.n_positions - 1]`.  [Apa itu position ID?](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *opsional*) : Hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari `past_key_values` yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika `use_cache=True` atau `config.use_cache=True`. Hanya instance [Cache](/docs/transformers/v5.23.0/id/internal/generation_utils#transformers.Cache) yang diizinkan sebagai input, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Jika tidak ada `past_key_values` yang diteruskan, [DynamicCache](/docs/transformers/v5.23.0/id/internal/generation_utils#transformers.DynamicCache) akan diinisialisasi secara default. Model akan mengoutput format cache yang sama dengan yang diberikan sebagai input. Jika `past_key_values` digunakan, pengguna diharapkan untuk hanya menginput `input_ids` yang belum diproses (yang tidak memiliki state past key value mereka diberikan ke model ini) dengan bentuk `(batch_size, unprocessed_length)` alih-alih semua `input_ids` dengan bentuk `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) : Secara opsional, alih-alih meneruskan `input_ids`, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Ini berguna jika Anda ingin lebih banyak kendali atas cara mengonversi indeks `input_ids` menjadi vektor terkait daripada matriks pencarian penanaman internal model.

use_cache (`bool`, *opsional*) : Jika diatur ke `True`, state kunci-nilai `past_key_values` akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat `past_key_values`).

**Mengembalikan:** `MoeModelOutputWithPast` atau `tuple(torch.Tensor)`

A `MoeModelOutputWithPast` atau tuple dari `torch.Tensor` (jika `return_dict=False` dilewatkan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([GlmMoeDsaConfig](/docs/transformers/v5.23.0/id/model_doc/glm_moe_dsa#transformers.GlmMoeDsaConfig)) dan input.

Metode forward dari [GlmMoeDsaModel](/docs/transformers/v5.23.0/id/model_doc/glm_moe_dsa#transformers.GlmMoeDsaModel) menimpa metode khusus `__call__`.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance `Module` setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

- **last_hidden_state** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`) -- Urutan hidden-states pada keluaran lapisan terakhir model.
- **past_key_values** (`Cache`, *opsional*, dikembalikan saat `use_cache=True` dilewatkan atau saat `config.use_cache=True`) -- Ini adalah instance [Cache](/docs/transformers/v5.23.0/id/internal/generation_utils#transformers.Cache). Untuk detail lebih lanjut, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami.

  Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention, dan secara opsional jika `config.is_encoder_decoder=True` di blok cross-attention) yang dapat digunakan (lihat input `past_key_values`) untuk mempercepat decoding berurutan.
- **hidden_states** (`tuple(torch.Tensor)`, *opsional*, dikembalikan saat `output_hidden_states=True` dilewatkan atau saat `config.output_hidden_states=True`) -- Tuple dari `torch.Tensor` (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk `(batch_size, sequence_length, hidden_size)`.

  Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.
- **attentions** (`tuple(torch.Tensor)`, *opsional*, dikembalikan ketika `output_attentions=True` dilewatkan atau ketika `config.output_attentions=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, num_heads, sequence_length, sequence_length)`.

  Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala self-attention.
- **router_logits** (`tuple(torch.Tensor)`, *opsional*, dikembalikan ketika `output_router_probs=True` dan `config.add_router_probs=True` diteruskan atau ketika `config.output_router_probs=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, sequence_length, num_experts)`.

  Logit router mentah (setelah softmax) yang dihitung oleh router MoE; istilah-istilah ini digunakan untuk menghitung auxiliary loss pada model Mixture of Experts.

## GlmMoeDsaForCausalLM[[transformers.GlmMoeDsaForCausalLM]]

#### transformers.GlmMoeDsaForCausalLM[[transformers.GlmMoeDsaForCausalLM]]

```python
transformers.GlmMoeDsaForCausalLM(config: GlmMoeDsaConfig)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/glm_moe_dsa/modeling_glm_moe_dsa.py#L731)

**Parameter:**

config ([GlmMoeDsaConfig](/docs/transformers/v5.23.0/id/model_doc/glm_moe_dsa#transformers.GlmMoeDsaConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/v5.23.0/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model.

Model Glm Moe Dsa untuk pemodelan bahasa kausal.

Model ini mewarisi dari [PreTrainedModel](/docs/transformers/v5.23.0/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.)

Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum.

#### forward[[transformers.GlmMoeDsaForCausalLM.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/glm_moe_dsa/modeling_glm_moe_dsa.py#L746)

**Parameter:**

input_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default. Indeks dapat diperoleh menggunakan [AutoTokenizer](/docs/transformers/v5.23.0/id/model_doc/auto#transformers.AutoTokenizer). Lihat [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) dan [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) untuk detailnya. [Apa itu input IDs?](../glossary#input-ids)

attention_mask (`torch.Tensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Mask untuk menghindari pelaksanaan attention pada indeks token padding. Nilai mask dipilih dalam `[0, 1]`:  - 1 untuk token yang **tidak di-mask**, - 0 untuk token yang **di-mask**.  [Apa itu attention masks?](../glossary#attention-mask)

position_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks posisi token dari setiap urutan input dalam embedding posisi. Dipilih dalam rentang `[0, config.n_positions - 1]`.  [Apa itu position ID?](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *opsional*) : Hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari `past_key_values` yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika `use_cache=True` atau `config.use_cache=True`. Hanya instance [Cache](/docs/transformers/v5.23.0/id/internal/generation_utils#transformers.Cache) yang diizinkan sebagai input, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Jika tidak ada `past_key_values` yang diteruskan, [DynamicCache](/docs/transformers/v5.23.0/id/internal/generation_utils#transformers.DynamicCache) akan diinisialisasi secara default. Model akan mengoutput format cache yang sama dengan yang diberikan sebagai input. Jika `past_key_values` digunakan, pengguna diharapkan untuk hanya menginput `input_ids` yang belum diproses (yang tidak memiliki state past key value mereka diberikan ke model ini) dengan bentuk `(batch_size, unprocessed_length)` alih-alih semua `input_ids` dengan bentuk `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) : Secara opsional, alih-alih meneruskan `input_ids`, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Ini berguna jika Anda ingin lebih banyak kendali atas cara mengonversi indeks `input_ids` menjadi vektor terkait daripada matriks pencarian penanaman internal model.

labels (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Label untuk menghitung kerugian pemodelan bahasa kausal. Indeks harus berada dalam `[-100, 0, ..., config.vocab_size]` (lihat docstring `input_ids`). Token dengan indeks yang disetel ke `-100` diabaikan (dimasker), kerugian hanya dihitung untuk token dengan label dalam `[0, ..., config.vocab_size]`. Label akan **digeser secara internal** sehingga `labels[..., 1:]` digunakan untuk memprediksi `logits[..., :-1, :]`. Sampaikan label yang tidak digeser dan sesuai dengan `input_ids` (yaitu `labels = input_ids`). Jangan **geser** label Anda sendiri sebelum menyampaikannya. Jika label sudah digeser (misalnya dengan paralelisme urutan), sampaikan sebagai argumen kata kunci `shift_labels` dan akan digunakan apa adanya. `labels` tetap harus disampaikan agar kerugian dapat dihitung.

use_cache (`bool`, *opsional*) : Jika diatur ke `True`, state kunci-nilai `past_key_values` akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat `past_key_values`).

logits_to_keep (`Union[int, torch.Tensor]`, *opsional*, defaultnya `0`) : Jika berupa `int`, hitung logits untuk `logits_to_keep` token terakhir. Jika `0`, hitung logits untuk semua `input_ids` (kasus khusus). Hanya logits token terakhir yang diperlukan untuk generasi, dan menghitungnya hanya untuk token tersebut dapat menghemat memori, yang menjadi cukup signifikan untuk urutan panjang atau ukuran kosakata besar. Jika berupa `torch.Tensor`, harus 1D yang sesuai dengan indeks yang akan dipertahankan pada dimensi panjang urutan. Ini berguna saat menggunakan format tensor terpadu (satu dimensi untuk batch dan panjang urutan).

**Mengembalikan:** `MoeCausalLMOutputWithPast` atau `tuple(torch.Tensor)`

A `MoeCausalLMOutputWithPast` atau tuple dari `torch.Tensor` (jika `return_dict=False` dilewatkan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([GlmMoeDsaConfig](/docs/transformers/v5.23.0/id/model_doc/glm_moe_dsa#transformers.GlmMoeDsaConfig)) dan input.

Metode forward dari [GlmMoeDsaForCausalLM](/docs/transformers/v5.23.0/id/model_doc/glm_moe_dsa#transformers.GlmMoeDsaForCausalLM) menimpa metode khusus `__call__`.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance `Module` setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

- **loss** (`torch.Tensor` dengan bentuk `(1,)`, *opsional*, dikembalikan saat `labels` disediakan) -- Loss pemodelan bahasa (untuk prediksi token berikutnya).
- **logits** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, config.vocab_size)`) -- Skor prediksi dari kepala pemodelan bahasa (skor untuk setiap token kosakata sebelum SoftMax).
- **aux_loss** (`torch.Tensor`, *opsional*, dikembalikan ketika `output_router_logits=True` dilewatkan atau ketika `config.output_router_logits=True`, dan model melatih router-nya dengan load-balancing loss) -- Load-balancing auxiliary loss untuk modul sparse. Model yang menyeimbangkan expert-nya dengan router bias (DeepSeek-V3 dan arsitektur yang diturunkan darinya) mengembalikan `None` di sini sambil tetap mengembalikan `router_logits`.
- **router_logits** (`tuple(torch.Tensor)`, *opsional*, dikembalikan ketika `output_router_logits=True` diteruskan atau ketika `config.output_router_logits=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap lapisan sparse) dengan bentuk `(batch_size * sequence_length, num_experts)`.

  Logit router mentah yang dihitung oleh router MoE. Logit ini dapat digunakan untuk menghitung kerugian penyeimbangan beban (load-balancing loss) atau untuk memeriksa bagaimana token didistribusikan ke para ahli (experts).
- **past_key_values** (`Cache`, *opsional*, dikembalikan saat `use_cache=True` dilewatkan atau saat `config.use_cache=True`) -- Ini adalah instance [Cache](/docs/transformers/v5.23.0/id/internal/generation_utils#transformers.Cache). Untuk detail lebih lanjut, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami.

  Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention) yang dapat digunakan (lihat input `past_key_values`) untuk mempercepat decoding berurutan.
- **hidden_states** (`tuple(torch.Tensor)`, *opsional*, dikembalikan saat `output_hidden_states=True` dilewatkan atau saat `config.output_hidden_states=True`) -- Tuple dari `torch.Tensor` (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk `(batch_size, sequence_length, hidden_size)`.

  Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.
- **attentions** (`tuple(torch.Tensor)`, *opsional*, dikembalikan ketika `output_attentions=True` dilewatkan atau ketika `config.output_attentions=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, num_heads, sequence_length, sequence_length)`.

  Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala self-attention.

Contoh:

```python
>>> from transformers import AutoTokenizer, GlmMoeDsaForCausalLM

>>> model = GlmMoeDsaForCausalLM.from_pretrained("meta-glm_moe_dsa/GlmMoeDsa-2-7b-hf")
>>> tokenizer = AutoTokenizer.from_pretrained("meta-glm_moe_dsa/GlmMoeDsa-2-7b-hf")

>>> prompt = "Hey, are you conscious? Can you talk to me?"
>>> inputs = tokenizer(prompt, return_tensors="pt")

>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"Hey, are you conscious? Can you talk to me?\nI'm not conscious, but I can talk to you."
```

