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

## Resumen

Los modelos de lenguaje **GLM-5**, **GLM-5.1**, **GLM-5.2** y **GLM-5.3** utilizan esta clase. La implementación en transformers no incluye una capa MTP.

### GLM-5.3

GLM-5.3 utiliza el mismo modelo base que GLM-5.2: todas las mejoras provienen del entrenamiento posterior. En comparación con GLM-5.2, es mucho mejor en programación compleja y tareas de largo alcance:

+ Código más potente: GLM-5.3 es el modelo de pesos abiertos más capaz para programación, con una mejora del 50 % sobre GLM-5.2 en nuestro Z.ai Code Bench interno. Además, alcanza el SOTA de código abierto en benchmarks públicos, incluidos Terminal Bench 3.0 y Agents' Last Exam.
+ Capacidad cibernética emergente: A medida que escalábamos el entrenamiento posterior, la capacidad cibernética se desarrolló más rápido de lo que esperábamos. GLM-5.3 es el estado del arte en CyberGym para el descubrimiento de vulnerabilidades, y sus mejoras son mayores a medida que se asciende en la cadena de explotación, donde más que duplica a GLM-5.2 en los benchmarks de explotación.

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

### GLM-5.2

GLM-5.2, nuestro modelo insignia más reciente para tareas de largo horizonte. Supone un salto sustancial en la capacidad para tareas de largo horizonte en comparación con su predecesor, GLM-5.1, y, por primera vez, ofrece dicha capacidad en un **contexto sólido de 1M de tokens**.

Las nuevas capacidades de GLM-5.2 incluyen:
- **Contexto sólido de 1M:** Un contexto sólido de 1M de tokens que sostiene de forma estable trabajos de largo plazo
- **Codificación avanzada con esfuerzo flexible**: Capacidades de codificación más sólidas con múltiples niveles de esfuerzo de razonamiento para equilibrar el rendimiento y la latencia
- **Arquitectura mejorada**: Proponemos [IndexShare](https://huggingface.co/papers/2603.12201), que reutiliza el mismo indexador en cada cuatro capas de atención dispersa, reduciendo los FLOPs por token en 2,9× con una longitud de contexto de 1M. También mejoramos la capa MTP de GLM-5.2 para la decodificación especulativa, aumentando la longitud de aceptación en hasta un 20%

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

En los benchmarks estándar de programación, GLM-5.2 es el modelo de código abierto más potente, superando a GLM-5.1 por un amplio margen: 81.0 frente a 62.0 en Terminal-Bench 2.1 y 62.1 frente a 58.4 en SWE-bench Pro. Además, reduce gran parte de la brecha con la frontera de los modelos de código cerrado: en Terminal-Bench 2.1 (81.0) se sitúa a pocos puntos de Claude Opus 4.8 (85.0), manteniéndose por delante de Gemini 3.1 Pro.

Para más detalles, consulta nuestro [blog](https://z.ai/blog/glm-5.2).

### GLM-5.1

GLM-5.1 es nuestro modelo insignia de próxima generación para la ingeniería agéntica, con capacidades de codificación significativamente más fuertes que su predecesor. Alcanza un rendimiento líder en SWE-Bench Pro y supera a GLM-5 por un amplio margen en NL2Repo (generación de repositorios) y Terminal-Bench 2.0 (tareas de terminal del mundo real).

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

Pero el salto más significativo va más allá del rendimiento en la primera pasada. Los modelos anteriores, incluido GLM-5, tienden a agotar su repertorio de forma temprana: aplican técnicas conocidas para obtener ganancias iniciales rápidas y luego se estancan. Darles más tiempo no ayuda.

En cambio, GLM-5.1 está diseñado para mantener su eficacia en tareas agénticas a lo largo de horizontes mucho más largos. Hemos observado que el modelo aborda problemas ambiguos con un mejor juicio y se mantiene productivo durante sesiones más extensas. Descompone problemas complejos, ejecuta experimentos, lee los resultados e identifica obstáculos con una precisión real. Al revisar su razonamiento y ajustar su estrategia mediante iteraciones repetidas, GLM-5.1 sostiene la optimización a lo largo de cientos de rondas y miles de llamadas a herramientas. Cuanto más tiempo se ejecuta, mejores son los resultados.

### GLM-5

GLM-5 ([GlmMoeDsa](https://huggingface.co/papers/2602.15763)) es un modelo de mezcla de expertos con 744 mil millones de parámetros y 40 mil millones de parámetros activos por token, que utiliza DeepSeek Sparse Attention (DSA) para un manejo eficiente de contextos de 200K tokens. Fue entrenado por completo en chips Huawei Ascend y alcanza un rendimiento de nivel frontera en benchmarks de razonamiento y contexto largo.

Con los avances tanto en el preentrenamiento como en el postentrenamiento, GLM-5 ofrece una mejora significativa en comparación con GLM-4.7 en una amplia gama de benchmarks académicos y logra un rendimiento de primera clase entre todos los modelos de código abierto del mundo en tareas de razonamiento, codificación y agentes, reduciendo la brecha con los modelos de frontera.

![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)
```

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

**Parámetros:**

vocab_size (`int`, *opcional*, valor predeterminado `154880`) : Tamaño del vocabulario del modelo. Define el número de tokens diferentes que pueden representarse mediante `input_ids`.

hidden_size (`int`, *opcional*, valor predeterminado `6144`) : Dimensión de las representaciones ocultas.

intermediate_size (`int`, *opcional*, valor predeterminado `12288`) : Dimensión de las representaciones del MLP.

moe_intermediate_size (`int`, *opcional*, valor predeterminado `2048`) : Tamaño intermedio de los MLP de expertos enrutados.

num_hidden_layers (`int`, *opcional*, valor predeterminado `78`) : Número de capas ocultas en el decodificador del Transformer.

num_attention_heads (`int`, *opcional*, valor predeterminado `64`) : Número de cabezas de atención para cada capa de atención en el decodificador del Transformer.

num_key_value_heads (`int`, *opcional*, valor predeterminado `64`) : Este es el número de cabezas de key_value que se deben utilizar para implementar Grouped Query Attention. Si `num_key_value_heads=num_attention_heads`, el modelo utilizará Multi Head Attention (MHA); si `num_key_value_heads=1`, el modelo utilizará Multi Query Attention (MQA); en caso contrario, se utilizará GQA. Al convertir un checkpoint multi-head a un checkpoint GQA, cada cabeza de key y value del grupo debe construirse mediante el promediado (meanpooling) de todas las cabezas originales dentro de ese grupo. Para más detalles, consulte [este artículo](https://huggingface.co/papers/2305.13245). Si no se especifica, el valor predeterminado será `num_attention_heads`.

n_shared_experts (`int`, *opcional*, valor predeterminado `1`) : Número de expertos compartidos.

n_routed_experts (`int`, *opcional*, valor predeterminado `256`) : Número de expertos enrutados.

output_router_logits (`bool`, *opcional*, valor predeterminado `False`) : Indica si el modelo debe devolver los logits del router. Si se habilita, el modelo también podrá generar la pérdida auxiliar, que incluye la pérdida de equilibrado de carga y la pérdida z del router.

routed_scaling_factor (`float`, *opcional*, valor predeterminado `2.5`) : Factor de escalado o expertos enrutados.

kv_lora_rank (`int`, *opcional*, valor predeterminado `512`) : Rango de las matrices LoRA para las proyecciones de clave y valor.

q_lora_rank (`int`, *opcional*, valor predeterminado `2048`) : Rango de las matrices LoRA para las proyecciones de consulta.

qk_rope_head_dim (`int`, *opcional*, valor predeterminado `64`) : Dimensión de las cabeceras de consulta/clave que utilizan incrustaciones de posición rotatoria.

v_head_dim (`int`, *opcional*, valor predeterminado `256`) : Dimensión de las cabeceras de valor.

qk_nope_head_dim (`int`, *opcional*, valor predeterminado `192`) : Dimensión de las cabeceras de consulta/clave que no utilizan embeddings de posición rotativa.

n_group (`int`, *opcional*, valor predeterminado 1) : Número de grupos para expertos enrutados.

topk_group (`int`, *opcional*, valor predeterminado `1`) : Número de grupos seleccionados para cada token (para cada token, garantizando que los expertos seleccionados estén solo dentro de `topk_group` grupos).

num_experts_per_tok (`int`, *opcional*, valor predeterminado `8`) : Número de expertos a los que se enruta cada token. Este es el valor top-k para el enrutamiento de selección de token.

norm_topk_prob (`bool`, *opcional*, valor predeterminado `True`) : Si se normalizan los pesos de los expertos enrutados.

hidden_act (`str`, *opcional*, valor predeterminado `silu`) : La función de activación no lineal (función o cadena) en el decodificador. Por ejemplo, `"gelu"`, `"relu"`, `"silu"`, etc.

max_position_embeddings (`int`, *opcional*, valor predeterminado `202752`) : La longitud máxima de secuencia con la que se podría utilizar este modelo.

initializer_range (`float`, *opcional*, valor predeterminado `0.02`) : La desviación estándar de truncated_normal_initializer para inicializar todas las matrices de pesos.

rms_norm_eps (`float`, *opcional*, valor predeterminado `1e-05`) : El epsilon utilizado por las capas de normalización rms.

use_cache (`bool`, *opcional*, valor predeterminado `True`) : Indica si el modelo debe devolver las últimas atenciones de claves/valores (no se utiliza en todos los modelos). Solo es relevante si `config.is_decoder=True` o cuando el modelo es un modelo generativo solo de decodificador.

pad_token_id (`int`, *opcional*) : Id de token utilizado para el relleno en el vocabulario.

bos_token_id (`int`, *opcional*, valor predeterminado `0`) : Id de token utilizado para el inicio de la secuencia en el vocabulario.

eos_token_id (`Union[int, list[int]]`, *opcional*, valor predeterminado `1`) : Id del token utilizado para el fin de la secuencia en el vocabulario.

tie_word_embeddings (`bool`, *opcional*, valor predeterminado `False`) : Si se deben vincular las incrustaciones de pesos según el mapeo `tied_weights_keys` del modelo.

rope_parameters (`dict`, *opcional*) : Diccionario que contiene los parámetros de configuración para las incrustaciones RoPE. El diccionario debe contener un valor para `rope_theta` y, opcionalmente, parámetros utilizados para el escalado en caso de que desee usar RoPE con `max_position_embeddings` más largos.

mlp_layer_types (`list`, *opcional*) : patrón de tipo MLP para cada capa (`"dense"` o `"sparse"`). Por defecto, 3 capas densas + el resto dispersas.

attention_bias (`bool`, *opcional*, valor predeterminado `False`) : Indica si se debe usar un sesgo en las capas de proyección de consulta, clave, valor y salida durante la autoatención.

attention_dropout (`Union[float, int]`, *opcional*, valor predeterminado `0.0`) : La proporción de dropout para las probabilidades de atención.

index_topk (`int`, *opcional*, valor predeterminado 2048) : Número de tokens principales seleccionados por el indexador para la atención dispersa.

index_head_dim (`int`, *opcional*, valor predeterminado 128) : Dimensión de la cabeza para las proyecciones del indexador (DSA).

index_n_heads (`int`, *opcional*, valor predeterminado 32) : Número de cabezas para las proyecciones del indexador (DSA).

mlp_bias (`bool`, *opcional*, valor predeterminado `False`) : Indica si se debe usar un sesgo en las capas up_proj, down_proj y gate_proj de las capas MLP.

head_dim (`int`, *opcional*, valor predeterminado `64`) : La dimensión de la cabeza de atención. Si es None, se establecerá en hidden_size // num_attention_heads

first_k_dense_replace (`int`, *opcional*, valor predeterminado 3) : Número de capas iniciales que utilizan un MLP denso; el resto utiliza el bloque MoE.

layer_types (`list[str]`, *opcional*) : Una lista que mapea explícitamente cada índice de capa con su tipo de capa. Si no se proporciona, se generará automáticamente en función de los valores de la configuración.

indexer_types (`list[str]`, *opcional*) : Modo del indexador por capa (`"full"` ejecuta el indexador, `"shared"` reutiliza el top-k de la capa completa anterior). El valor predeterminado es el patrón derivado de `index_topk_freq` / `index_skip_topk_offset` (o `index_topk_pattern`).

Esta es la clase de configuración para almacenar la configuración de un GlmMoeDsaModel. Se utiliza para instanciar un modelo Glm Moe Dsa según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de [zai-org/GLM-5](https://huggingface.co/zai-org/GLM-5)

Los objetos de configuración heredan de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) y se pueden utilizar para controlar las salidas del modelo. Consulte la documentación de [PreTrainedConfig](/docs/transformers/main/es/main_classes/configuration#transformers.PreTrainedConfig) para obtener más información.

```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)
```

[Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/glm_moe_dsa/modeling_glm_moe_dsa.py#L656)

**Parámetros:**

config ([GlmMoeDsaConfig](/docs/transformers/main/es/model_doc/glm_moe_dsa#transformers.GlmMoeDsaConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo.

El modelo Glm Moe Dsa sin procesar, que genera estados ocultos crudos sin ninguna cabeza específica en la parte superior.

Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.).

Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales.

#### 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, cache: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/glm_moe_dsa/modeling_glm_moe_dsa.py#L672)

**Parámetros:**

input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/main/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids)

attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`:  - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**.  [¿Qué son las máscaras de atención?](../glossary#attention-mask)

position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`.  [¿Qué son los IDs de posición?](../glossary#position-ids)

cache (`~cache_utils.Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que pueden usarse para acelerar la decodificación secuencial. Esto suele consistir en la `cache` devuelta por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`.  Solo se permite una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache) como entrada, consulte nuestra [guía de kv cache](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasa ninguna `cache`, [DynamicCache](/docs/transformers/main/es/internal/generation_utils#transformers.DynamicCache) se inicializará de forma predeterminada.  El modelo devolverá el mismo formato de cache que se le haya proporcionado como entrada.  Si se usan `cache`, se espera que el usuario introduzca solo `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor pasados a este modelo) de forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` de forma `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo.

use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave de `cache` y pueden usarse para acelerar la decodificación (ver `cache`).

**Devuelve:** `MoeModelOutputWithPast` o `tuple(torch.Tensor)`

Un `MoeModelOutputWithPast` o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración (`None`) y las entradas.

El método forward de [GlmMoeDsaModel](/docs/transformers/main/es/model_doc/glm_moe_dsa#transformers.GlmMoeDsaModel) sobrescribe el método especial `__call__`.

Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente.

- **last_hidden_state** (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`) -- Secuencia de estados ocultos en la salida de la última capa del modelo.
- **cache** (`Cache`, *opcional*, se devuelve cuando se pasa `use_cache=True` o cuando `config.use_cache=True`) -- Es una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache). Para más detalles, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache).

  Contiene estados ocultos precalculados (claves y valores en los bloques de autoatención y, opcionalmente, si `config.is_encoder_decoder=True`, en los bloques de atención cruzada) que pueden utilizarse (véase la entrada `cache`) para acelerar la decodificación secuencial.
- **hidden_states** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de los embeddings, si el modelo tiene una capa de embedding, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`.

  Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial.
- **attentions** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`.

  Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención.
- **router_logits** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_router_probs=True` y `config.add_router_probs=True` o cuando `config.output_router_probs=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, sequence_length, num_experts)`.

  Logits crudos del enrutador (post-softmax) que se calculan mediante los enrutadores de MoE; estos términos se utilizan para calcular la pérdida auxiliar en los modelos Mixture of Experts.

## GlmMoeDsaForCausalLM[[transformers.GlmMoeDsaForCausalLM]]

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

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

[Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/glm_moe_dsa/modeling_glm_moe_dsa.py#L736)

**Parámetros:**

config ([GlmMoeDsaConfig](/docs/transformers/main/es/model_doc/glm_moe_dsa#transformers.GlmMoeDsaConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo.

El modelo Glm Moe Dsa para el modelado de lenguaje causal.

Este modelo hereda de [PreTrainedModel](/docs/transformers/main/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.).

Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales.

#### 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, cache: 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'>)
```

[Fuente](https://github.com/huggingface/transformers/blob/main/src/transformers/models/glm_moe_dsa/modeling_glm_moe_dsa.py#L751)

**Parámetros:**

input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/main/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/main/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids)

attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`:  - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**.  [¿Qué son las máscaras de atención?](../glossary#attention-mask)

position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`.  [¿Qué son los IDs de posición?](../glossary#position-ids)

cache (`~cache_utils.Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que pueden usarse para acelerar la decodificación secuencial. Esto suele consistir en la `cache` devuelta por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`.  Solo se permite una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache) como entrada, consulte nuestra [guía de kv cache](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasa ninguna `cache`, [DynamicCache](/docs/transformers/main/es/internal/generation_utils#transformers.DynamicCache) se inicializará de forma predeterminada.  El modelo devolverá el mismo formato de cache que se le haya proporcionado como entrada.  Si se usan `cache`, se espera que el usuario introduzca solo `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor pasados a este modelo) de forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` de forma `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo.

labels (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Etiquetas para calcular la pérdida del modelado de lenguaje causal. Los índices deben estar en `[-100, 0, ..., config.vocab_size]` (ver la docstring de `input_ids`). Los tokens con índices establecidos en `-100` se ignoran (se enmascaran); la pérdida solo se calcula para los tokens con etiquetas en `[0, ..., config.vocab_size]`. Las etiquetas se **desplazan internamente** para que `labels[..., 1:]` se utilicen para predecir `logits[..., :-1, :]`. Pase etiquetas sin desplazar que coincidan con `input_ids` (es decir, `labels = input_ids`). No **desplace** usted mismo las etiquetas antes de pasarlas. Si las etiquetas ya están desplazadas (por ejemplo, con paralelismo de secuencia), páselas como el argumento de palabra clave `shift_labels` y se usarán tal cual. Todavía debe pasar `labels` para que se calcule la pérdida.

use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave de `cache` y pueden usarse para acelerar la decodificación (ver `cache`).

logits_to_keep (`Union[int, torch.Tensor]`, *opcional*, valor predeterminado `0`) : Si es un `int`, se calculan los logits para los últimos `logits_to_keep` tokens. Si es `0`, se calculan los logits para todos los `input_ids` (caso especial). Solo se necesitan los logits del último token para la generación, y calcularlos únicamente para ese token puede ahorrar memoria, lo cual se vuelve bastante significativo para secuencias largas o un tamaño de vocabulario grande. Si es un `torch.Tensor`, debe ser de 1D y corresponder a los índices a conservar en la dimensión de longitud de secuencia. Esto es útil al usar el formato de tensor empaquetado (una sola dimensión para el lote y la longitud de secuencia).

**Devuelve:** `MoeCausalLMOutputWithPast` o `tuple(torch.Tensor)`

Un `MoeCausalLMOutputWithPast` o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración (`None`) y las entradas.

El método forward de [GlmMoeDsaForCausalLM](/docs/transformers/main/es/model_doc/glm_moe_dsa#transformers.GlmMoeDsaForCausalLM) sobrescribe el método especial `__call__`.

Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente.

- **loss** (`torch.Tensor` de forma `(1,)`, *opcional*, se devuelve cuando se proporciona `labels`) -- Pérdida de modelado de lenguaje (para la predicción del siguiente token).
- **logits** (`torch.Tensor` de forma `(batch_size, sequence_length, config.vocab_size)`) -- Puntuaciones de predicción de la cabeza de modelado de lenguaje (puntuaciones para cada token del vocabulario antes de SoftMax).
- **aux_loss** (`torch.Tensor`, *opcional*, se devuelve cuando se pasa `output_router_logits=True` o cuando `config.output_router_logits=True`, y el modelo entrena su router con una pérdida de equilibrio de carga) -- Pérdida auxiliar de equilibrio de carga para los módulos dispersos. Los modelos que equilibran sus expertos con un sesgo del router en su lugar (DeepSeek-V3 y las arquitecturas derivadas de él) devuelven `None` aquí, aunque siguen devolviendo `router_logits`.
- **router_logits** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_router_logits=True` o cuando `config.output_router_logits=True`) -- Tupla de `torch.Tensor` (una por cada capa dispersa) de forma `(batch_size * sequence_length, num_experts)`.

  Logits crudos del router calculados por los routers de MoE. Se pueden utilizar para calcular una pérdida de equilibrado de carga o para inspeccionar cómo se asignan los tokens a los expertos.
- **cache** (`Cache`, *opcional*, se devuelve cuando se pasa `use_cache=True` o cuando `config.use_cache=True`) -- Es una instancia de [Cache](/docs/transformers/main/es/internal/generation_utils#transformers.Cache). Para más detalles, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache).

  Contiene estados ocultos precalculados (claves y valores en los bloques de autoatención) que se pueden utilizar (véase la entrada `cache`) para acelerar la decodificación secuencial.
- **hidden_states** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de los embeddings, si el modelo tiene una capa de embedding, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`.

  Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial.
- **attentions** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`.

  Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención.

Ejemplo:

```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."
```

