【NLP】大模型长文本处理技术与GLM-4-Plus评测

关注

原创最新推荐文章于 2026-09-29 09:20:44 发布 2.8k 阅读 AI 写同款· GEO 优化 ›

GLM-4-Plus大模型在代码生成与文档处理中的突破 自然语言处理(NLP)技术通过深度学习模型实现对人类语言的理解与生成，其核心原理是基于Transformer架构的自注意力机制。在工程实践中，大模型如GLM-4-Plus通过混合专家(MoE)架构显著提升了处理能力，特别在代码补全和技术文档处理等场景展现出巨大价值。测试数据显示，该模型在Python代码理解准确率达92.3%，技术文档处理效率提升4-6倍，为开发者提供了高效的智能辅助工具。这些突破性进展使得AI在编程教育、技术文档自动化等领域的应用成为可能，而GLM-4-Plus的128k上下文窗口和中文术阅读详情

本文将介绍Transformer模型在处理长文本数据时所采用的关键技术，特别是旋转位置编码（RoPE）和Flash Attention机制。

此外，本文介绍GLM系列模型，特别是最新发布的GLM-4-Plus模型。我们将通过实际的评测方法和结果，展示GLM-4-Plus模型在处理长文本任务时的卓越性能。

unsetunsetTransformer模型unsetunset

Transformer模型的核心是自注意力机制（Self-Attention），它允许模型在处理序列数据时，能够同时考虑序列中的所有位置，这一点与传统的循环神经网络（RNN）或卷积神经网络（CNN）不同，后者通常需要逐步处理序列数据。

位置编码

Transformer模型由编码器（Encoder）和解码器（Decoder）组成，每个部分都包含多个相同的层，这些层由自注意力机制和全连接网络组成。此外，Transformer 还引入了位置编码来保留序列中的顺序信息，因为自注意力机制本身并不包含序列的顺序信息。

位置编码通常是通过正弦和余弦函数的固定函数形式来生成的，每个位置的编码是唯一的，并且编码的维度与模型的维度相匹配。

对于位置 pos 和维度 i，位置编码的第 i 维度的值由下面的公式给出：

对于偶数维度（2i）：
对于奇数维度（2i+1）：

其中 pos 是单词在句子中的位置，i 是维度索引，是模型的维度。

并行能力

由于自注意力机制不依赖于序列中前一个状态的输出，这使得模型的所有层可以并行处理，从而大大提高了训练效率。Transformer还采用了残差连接和层归一化技术，这些技术有助于改善深层网络的训练稳定性，并减少梯度消失或爆炸的问题。

残差连接（Residual Connection）

对于Transformer中的每个子层（自注意力层或前馈全连接层）的输出，残差连接可以表示为：
在这里插入图片描述

自注意力机制

自注意力机制（Self-Attention）的核心思想是计算序列中每个元素（如单词或字）与其他所有元素的关系，以便捕捉序列内的长距离依赖关系。

在这里插入图片描述

计算查询（Query）、键（Key）和值（Value）：对于输入序列中的每个元素，我们分别计算其查询、键和值的表示。这通常是通过与权重矩阵的矩阵乘法来实现的：

计算注意力得分：使用查询和键的点积来计算注意力得分，然后通常通过一个缩放因子（通常是键向量维度的平方根）来防止点积结果过大，接着应用softmax函数来获取注意力权重：

unsetunset大模型长文本处理技术unsetunset

如果把 LLM 比作新时代的操作系统，上下文窗口便是它的「内存」。一个优秀的 LLM 也需要足够长的上下文长度来完成各种复杂的任务。

RoPE

Transformer模型依赖于位置编码来理解单词顺序，但标准的编码方式通常只适用于固定长度的上下文。为了处理超出训练时见过的长度，旋转位置编码（RoPE）允许模型处理比训练时更长的输入，但这样可能会以性能损失。

RoPE的核心思想是对词嵌入向量应用旋转变换，以注入位置信息。对于序列中的每个位置，RoPE通过旋转矩阵来调整词向量，旋转的角度与位置索引相关。这种旋转操作不仅保留了向量的模长（即词向量的大小不变），而且还能够引入相对位置信息。

在二维情况下，RoPE可以通过以下公式表达：

https://huggingface.co/THUDM/glm-4-9b/blob/main/modeling_chatglm.py

@torch.jit.script  
def apply_rotary_pos_emb(x: torch.Tensor, rope_cache: torch.Tensor) -> torch.Tensor:  
    # 获取输入张量 x 的各个维度大小  
    b, np, sq, hn = x.size(0), x.size(1), x.size(2), x.size(3)  
    # 计算旋转维度 rot_dim，它是 rope_cache 的倒数第二个维度的两倍  
    rot_dim = rope_cache.shape[-2] * 2  
      
    # 将 x 分为两部分：需要应用 RoPE 的维度和不需要变化的维度  
    x, x_pass = x[..., :rot_dim], x[..., rot_dim:]  
      
    # 根据序列长度 sq 截断 rope_cache，以确保它与当前处理的序列长度相匹配  
    rope_cache = rope_cache[:, :sq]  
      
    # 重塑 x 为 xshaped，以便将其与 rope_cache 进行运算  
    xshaped = x.reshape(b, np, sq, rot_dim // 2, 2)  
      
    # 重塑 rope_cache 以匹配 xshaped 的维度，并准备进行旋转运算  
    rope_cache = rope_cache.view(-1, 1, sq, xshaped.size(3), 2)  
      
    # 对 xshaped 中的每个元素应用旋转，使用复数的旋转公式  
    x_out2 = torch.stack(  
        [  
            xshaped[..., 0] * rope_cache[..., 0] - xshaped[..., 1] * rope_cache[..., 1],  # 实部旋转  
            xshaped[..., 1] * rope_cache[..., 0] + xshaped[..., 0] * rope_cache[..., 1],  # 虚部旋转  
        ],  
        -1,  
    )  
      
    # 将旋转后的张量 x_out2 重塑回原来的维度  
    x_out2 = x_out2.flatten(3)  
      
    # 将旋转后的张量 x_out2 与不需要变化的维度 x_pass 拼接起来，形成最终的输出  
    return torch.cat((x_out2, x_pass), dim=-1)

FlashAttention

与传统的自注意力机制相比，Flash Attention将内存复杂度从O(N²)降低到O(N)，这对于处理大规模数据集和大型模型尤为重要。

在这里插入图片描述

Flash Attention的算法包括两个主要思想：平铺和重新计算。在平铺过程中，注意力矩阵被划分为更小的块，以优化内存使用和计算效率。在重新计算过程中，利用存储的输出和softmax归一化统计数据来重新计算注意力矩阵，而无需存储大型中间矩阵。

https://huggingface.co/THUDM/glm-4-9b/blob/main/modeling_chatglm.py

unset

为了全面评估GLM系列模型在处理新闻文本分类任务上的能力，我们的评测方法采用了THUCNews数据集。

在评测过程中，我们将特别关注模型在处理不同长度文本时的表现。文本长度是影响模型性能的一个重要因素，因为它直接关系到模型处理信息的能力和复杂度。

unsetGLM 模型性能评测unsetunset

模型介绍

模型	描述	上下文
GLM-4-Plus	高智能旗舰	128K
GLM-4-0520	高智能模型	128K
GLM-4-Long Beta	超长输入	1M
GLM-4-AirX	极速推理	8K
GLM-4-Air	高性价比	128K
GLM-4-Flash	免费调用	128K

评测方法

通过THUCNews数据集，设置不同的文本长度，并通过大模型完成新闻分类：

def news_classify(news_path, texlen, model):  
    text = ''.join(open(news_path).readlines())[:texlen]  
    data = {  
        "model": model,  
        "messages": [{"role": "user", "content":  f'''请对下面的新闻进行分类，待选类别有: {class_names}\n {text}''' }]  
    }  
  
    try:  
        response = requests.post(url, headers=headers, json=data, timeout=200)  
        if news_path.split('/')[-2] in response.json()['choices'][0]['message']['content']:  
            return True  
        else:  
            return False  
    except:  
        return None

评测结果

GLM-4-Plus整体表现非常稳定，精度始终保持在0.88以上，是所有模型中最高的。模型如GLM-4-Plus和GLM-4-Long在处理长文本时表现较好。

unsetunsetGLM-4-Plus介绍unsetunset

在 KDD 国际数据挖掘与知识发现大会上，智谱 GLM 团队发布了新一代基座大模型——GLM-4-Plus。作为智谱全自研 GLM 大模型的最新版本，GLM-4-Plus 标志着智谱AI在通用人工智能领域的持续深耕，推进大模型技术的独立自主创新。

GLM-4-Plus 在长文本处理能力上比肩国际先进水平。通过更精准的长短文本数据混合策略，显著增强了长文本的推理效果。

`模型`	`LongBench-Chat`	`InfiniteBench/EN.MC`	`Ruler`
Mistral-123B	8.2	38.9	80.5
Llama 405B	8.6	83.4	91.5
Claude Sonnet 3.5	8.6	79.5	-
Gemini 1.5 Pro	8.6	80.9	95.8
GPT-4o	9	82.5	-
GLM-4-Plus	8.8	85.1	93
GLM-4-Plus/GPT-4o	98%	103%	-
GLM-4-Plus/Claude 3.5 Sonnet	102%	107%	-

调用示例

同步调用方法

from zhipuai import ZhipuAI  
client = ZhipuAI(api_key="") # 填写您自己的APIKey  
response = client.chat.completions.create(  
    model="glm-4-plus",  # 填写需要调用的模型编码  
    messages=[  
        {"role": "user", "content": "作为一名营销专家，请为智谱开放平台创作一个吸引人的slogan"},  
        {"role": "assistant", "content": "当然，为了创作一个吸引人的slogan，请告诉我一些关于您产品的信息"},  
        {"role": "user", "content": "智谱AI开放平台"},  
        {"role": "assistant", "content": "智启未来，谱绘无限一智谱AI，让创新触手可及!"},  
        {"role": "user", "content": "创造一个更精准、吸引人的slogan"}  
    ],  
)  
print(response.choices[0].message)

流式调用方法

from zhipuai import ZhipuAI  
client = ZhipuAI(api_key="") # 请填写您自己的APIKey  
response = client.chat.completions.create(  
    model="glm-4-plus",  # 填写需要调用的模型编码  
    messages=[  
        {"role": "system", "content": "你是一个乐于解答各种问题的助手，你的任务是为用户提供专业、准确、有见地的建议。"},  
        {"role": "user", "content": "我对太阳系的行星非常感兴趣，特别是土星。请提供关于土星的基本信息，包括其大小、组成、环系统和任何独特的天文现象。"},  
    ],  
    stream=True,  
)  
for chunk in response:  
    print(chunk.choices[0].delta)