当前位置：首页 > news >正文

GLM-4.1V-9B-Base快速体验：无需安装，在线Jupyter Notebook入门教程

news 2026/7/26 1:53:57

GLM-4.1V-9B-Base快速体验：无需安装，在线Jupyter Notebook入门教程

1. 前言：零门槛体验多模态大模型

想体验最新的多模态大模型却苦于本地配置复杂？今天给大家带来一个好消息——通过星图GPU平台的预置环境，你可以直接在浏览器里体验GLM-4.1V-9B-Base模型，完全不需要下载安装包或配置本地环境。

GLM-4.1V-9B-Base是智谱AI最新推出的多模态大模型，能够同时处理文本和图像输入。相比纯文本模型，它能理解图片内容并进行智能对话，这在商品识别、图表分析、教育辅导等场景特别有用。

2. 环境准备：3分钟快速开始

2.1 访问星图GPU平台

首先打开浏览器，访问星图GPU平台（无需注册即可体验）。平台已经预置了包含GLM-4.1V-9B-Base模型的Jupyter Lab环境，省去了你自己搭建环境的麻烦。

2.2 启动Notebook

在平台界面找到"GLM-4.1V快速体验"的Notebook模板，点击即可创建一个预配置好的交互式环境。这个Notebook已经包含了所有必要的代码和示例，你只需要按顺序执行单元格就能看到效果。

3. 基础功能体验

3.1 加载模型

第一个单元格是模型加载代码，直接运行即可：

from transformers import AutoModelForCausalLM, AutoTokenizer model = AutoModelForCausalLM.from_pretrained("THUDM/glm-4v-9b-base", trust_remote_code=True) tokenizer = AutoTokenizer.from_pretrained("THUDM/glm-4v-9b-base", trust_remote_code=True)

这段代码会自动从星图平台的镜像仓库下载模型，速度比从外网下载快很多。首次运行可能需要1-2分钟加载模型。

3.2 准备示例图片

Notebook中已经内置了几张示例图片，包括：

商品照片（用于测试物体识别）
数据图表（测试数据分析能力）
复杂场景图（测试场景理解）

你也可以上传自己的图片进行测试，只需将图片文件拖到Jupyter的文件浏览器区域即可。

4. 交互式体验

4.1 基础对话测试

运行以下代码开始与模型对话：

image_path = "example_product.jpg" question = "图片中的商品是什么？有什么特点？" response = model.chat(tokenizer, image_path, question) print(response)

你会看到模型不仅能识别商品类别，还能分析出商品的设计特点和用途。

4.2 修改Prompt观察变化

尝试修改提问方式，观察模型回答的变化：

# 第一次提问 response = model.chat(tokenizer, image_path, "描述这张图片") print("描述式提问：", response) # 第二次提问 response = model.chat(tokenizer, image_path, "这张图片适合用在什么场景？") print("场景式提问：", response)

你会发现模型能根据不同的提问角度给出针对性回答，展现出强大的上下文理解能力。

5. 进阶功能探索

5.1 可视化注意力机制

Notebook中还包含了一个可视化注意力权重的代码块：

import matplotlib.pyplot as plt # 获取注意力权重 _, attention_weights = model.chat(tokenizer, image_path, "图片的重点是什么？", return_attention=True) # 可视化 plt.imshow(attention_weights) plt.title("模型注意力热力图") plt.show()

这张热力图能直观展示模型在分析图片时关注了哪些区域，帮助你理解它的"思考过程"。

5.2 多轮对话测试

GLM-4.1V支持多轮对话，你可以像这样进行连续提问：

# 第一轮 response, history = model.chat(tokenizer, image_path, "图片中有几个人？", history=[]) print(response) # 第二轮 response, history = model.chat(tokenizer, None, "他们分别在做什么？", history=history) print(response)

模型能记住之前的对话内容，给出连贯的回答。