update template, remove apply_chat_template, use default apply_chat_template

tokenization_chatglm.py

@@ -141,99 +141,6 @@ class ChatGLM4Tokenizer(PreTrainedTokenizer):
         else:
             return str(f"<|{role}|>{metadata}\n{message}")
 
-    def apply_chat_template(
-            self,
-            conversation: Union[List[Dict[str, str]], List[List[Dict[str, str]]], "Conversation"],
-            add_generation_prompt: bool = False,
-            tokenize: bool = True,
-            padding: bool = False,
-            truncation: bool = False,
-            max_length: Optional[int] = None,
-            return_tensors: Optional[Union[str, TensorType]] = None,
-            return_dict: bool = False,
-            tokenizer_kwargs: Optional[Dict[str, Any]] = None,
-            add_special_tokens: bool = True,
-            **kwargs,
-    ) -> Union[str, List[int], List[str], List[List[int]], BatchEncoding]:
-
-        if return_dict and not tokenize:
-            raise ValueError(
-                "`return_dict=True` is incompatible with `tokenize=False`, because there is no dict "
-                "of tokenizer outputs to return."
-            )
-
-        def handle_single_conversation(conversation):
-            input_ids = self.get_prefix_tokens() if add_special_tokens else []
-            input_message = "[gMASK]<sop>" if add_special_tokens else ""
-            for item in conversation:
-                if item.get("tools"):
-                    tools = item["tools"]
-                    content = "你是一个名为 GLM-4 的人工智能助手。你是基于智谱AI训练的语言模型 GLM-4 模型开发的，你的任务是针对用户的问题和要求提供适当的答复和支持。"
-                    for tool in tools:
-                        if tool["type"] == "function":
-                            function = tool["function"]
-                            content += f"\n\n## {function['name']}\n\n{json.dumps(function, ensure_ascii=False, indent=4)}"
-                            content += "\n在调用上述函数时，请使用 Json 格式表示调用的参数。"
-                        elif tool["type"] == "python":
-                            content += "\n\n## python\n\n当你向 `python` 发送包含 Python 代码的消息时，该代码将会在一个有状态的 Jupyter notebook 环境中执行。\n`python` 返回代码执行的输出，或在执行 60 秒后返回超时。\n`/mnt/data` 将会持久化存储你的文件。在此会话中，`python` 无法访问互联网。不要使用 `python` 进行任何网络请求或者在线 API 调用，这些在线内容的访问将不会成功。"
-                        elif tool["type"] == "simple_browser":
-                            content += "\n\n## simple_browser\n\n你可以使用 `simple_browser` 工具。该工具支持以下函数：\n`search(query: str, recency_days: int)`：使用搜索引擎进行查询并显示结果，可以使用 `recency_days` 参数控制搜索内容的时效性。\n`mclick(ids: list[int])`：获取一系列指定 id 的页面内容。每次调用时，须选择3-10个页面。选择多个角度的页面，同时尽可能选择可信任的信息来源。考虑到部分页面是无法加载的，你也可以多打开一些可能有用的页面而不用担心内容过多。\n`open_url(url: str)`：打开指定的 URL。\n\n使用 `【{引用 id}†{引用文本}】` 来引用内容。\n\n操作步骤：1. 使用 `search` 来获得信息列表; 2. 使用 `mclick` 来获取指定 ID 页面的内容; 3. 根据获得的内容进行回复。在回复中应当引用信息来源。\n 如果用户提供了 URL，也可以用 `open_url` 直接打开页面。\n如果初次搜索结果没有找到合适的信息，也可以再次使用 `search` 进行搜索。"
-                        elif tool["type"] == "cogview":
-                            content += "\n\n## cogview\n\n如果用户的请求中包含了对图像的描述，你可以使用 `cogview` 来生成图像并展示给用户。你需要向 `cogview` 发送图像描述，规则：\n- 发送给 `cogview` 的消息必须使用英语。用户的中文描述必须完全翻译为英语。\n- 应当尽可能详细地描述图像生成的需求，需求描述约 100 英文单词。\n- 保持用户原始描述的意图。不要虚构内容或者没见过的人物。\n- 如无特殊说明，所在地为中国，持有中国立场并遵循中国社会主义价值观。"
-                        else:
-                            raise NotImplementedError(f"Unknown tool type {tool['type']}")
-                    input = self.build_single_message("system", "", content, tokenize=tokenize)
-                    if tokenize:
-                        input_ids.extend(input)
-                    else:
-                        input_message += input
-                if item["content"]:
-                    input = self.build_single_message(
-                        item["role"],
-                        item.get("metadata", ""),
-                        item["content"],
-                        tokenize=tokenize
-                    )
-                    if tokenize:
-                        input_ids.extend(input)
-                    else:
-                        input_message += input
-            if add_generation_prompt:
-                if tokenize:
-                    input_ids.extend([self.convert_tokens_to_ids("<|assistant|>")])
-                else:
-                    input_message += "<|assistant|>"
-
-            return input_ids if tokenize else input_message
-
-        # Main logic to handle different conversation formats
-        if isinstance(conversation, list) and all(isinstance(i, dict) for i in conversation):
-            result = handle_single_conversation(conversation)
-        elif isinstance(conversation, list) and all(isinstance(i, list) for i in conversation):
-            result = [handle_single_conversation(c) for c in conversation]
-        elif hasattr(conversation, "messages"):
-            result = handle_single_conversation(conversation.messages)
-        else:
-            raise ValueError("Invalid conversation format")
-
-        if tokenize:
-            output = self.batch_encode_plus(
-                [result] if isinstance(result[0], int) else result,
-                padding=padding,
-                truncation=truncation,
-                max_length=max_length,
-                return_tensors=return_tensors,
-                is_split_into_words=True,
-                add_special_tokens=False
-            )
-            if return_dict:
-                return output
-            else:
-                return output["input_ids"]
-        else:
-            return result
-
-
     def build_inputs_with_special_tokens(
             self, token_ids_0: List[int], token_ids_1: Optional[List[int]] = None
     ) -> List[int]:

tokenizer_config.json

@@ -123,6 +123,7 @@
                                "<|user|>", "<|assistant|>", "<|observation|>", "<|begin_of_image|>", "<|end_of_image|>",
                                "<|begin_of_video|>", "<|end_of_video|>"],
   "clean_up_tokenization_spaces": false,
+  "chat_template": "{% if add_special_tokens %}[gMASK]<sop>{% endif %}{% for item in messages %}{% if item['tools'] is defined %}<|system|>\n你是一个名为 GLM-4 的人工智能助手。你是基于智谱AI训练的语言模型 GLM-4 模型开发的，你的任务是针对用户的问题和要求提供适当的答复和支持。{% set tools = item['tools'] %}{% for tool in tools %}{% if tool['type'] == 'function' %}\n\n## {{ tool['function']['name'] }}\n\n{{ tool['function'] | tojson(indent=4) }}\n在调用上述函数时，请使用 Json 格式表示调用的参数。{% elif tool['type'] == 'python' %}\n\n## python\n\n当你向 `python` 发送包含 Python 代码的消息时，该代码将会在一个有状态的 Jupyter notebook 环境中执行。\n`python` 返回代码执行的输出，或在执行 60 秒后返回超时。\n`/mnt/data` 将会持久化存储你的文件。在此会话中，`python` 无法访问互联网。不要使用 `python` 进行任何网络请求或者在线 API 调用，这些在线内容的访问将不会成功。{% elif tool['type'] == 'simple_browser' %}\n\n## simple_browser\n\n你可以使用 `simple_browser` 工具。该工具支持以下函数：\n`search(query: str, recency_days: int)`：使用搜索引擎进行查询并显示结果，可以使用 `recency_days` 参数控制搜索内容的时效性。\n`mclick(ids: list[int])`：获取一系列指定 id 的页面内容。每次调用时，须选择3-10个页面。选择多个角度的页面，同时尽可能选择可信任的信息来源。考虑到部分页面是无法加载的，你也可以多打开一些可能有用的页面而不用担心内容过多。\n`open_url(url: str)`：打开指定的 URL。\n\n使用 `【{引用 id}†{引用文本}】` 来引用内容。\n\n操作步骤：1. 使用 `search` 来获得信息列表; 2. 使用 `mclick` 来获取指定 ID 页面的内容; 3. 根据获得的内容进行回复。在回复中应当引用信息来源。\n 如果用户提供了 URL，也可以用 `open_url` 直接打开页面。\n如果初次搜索结果没有找到合适的信息，也可以再次使用 `search` 进行搜索。{% elif tool['type'] == 'cogview' %}\n\n## cogview\n\n如果用户的请求中包含了对图像的描述，你可以使用 `cogview` 来生成图像并展示给用户。你需要向 `cogview` 发送图像描述，规则：\n- 发送给 `cogview` 的消息必须使用英语。用户的中文描述必须完全翻译为英语。\n- 应当尽可能详细地描述图像生成的需求，需求描述约 100 英文单词。\n- 保持用户原始描述的意图。不要虚构内容或者没见过的人物。\n- 如无特殊说明，所在地为中国，持有中国立场并遵循中国社会主义价值观。{% endif %}{% endfor %}{% endif %}{% if item['content'] %}<|{{ item['role'] }}|>\n{{ item['content'] }}{% endif %}{% endfor %}{% if add_generation_prompt %}<|assistant|>{% endif %}",
   "do_lower_case": false,
   "eos_token": "<|endoftext|>",
   "pad_token": "<|endoftext|>",