Saiba mais sobre os anúncios do I/O (em inglês) do Google AI Edge

Esta página foi traduzida pela API Cloud Translation.

Guia de inferência de LLM para Web

A API LLM Inference permite executar modelos de linguagem grandes (LLMs) completamente no navegador para aplicativos da Web, que podem ser usados para executar várias tarefas, como gerar texto, recuperar informações em formato de linguagem natural e resumir documentos. A tarefa oferece suporte integrado a vários modelos de linguagem grandes de texto para texto para que você possa aplicar os modelos de IA generativa mais recentes no dispositivo aos seus apps da Web.

Confira essa tarefa em ação com a demonstração do MediaPipe Studio. Para mais informações sobre os recursos, modelos e opções de configuração dessa tarefa, consulte a Visão geral.

Exemplo de código

O aplicativo de exemplo da API LLM Inference oferece uma implementação básica dessa tarefa em JavaScript para referência. Use este app de exemplo para começar a criar seu próprio app de geração de texto.

É possível acessar o app de exemplo da API LLM Inference no GitHub (em inglês).

Configuração

Esta seção descreve as principais etapas para configurar seu ambiente de desenvolvimento e projetos de código especificamente para usar a API LLM Inference. Para informações gerais sobre a configuração do ambiente de desenvolvimento para uso do MediaPipe Tasks, incluindo requisitos de versão da plataforma, consulte o Guia de configuração para Web.

Compatibilidade com navegadores

A API LLM Inference requer um navegador da Web compatível com a WebGPU. Para ver uma lista completa dos navegadores compatíveis, consulte a compatibilidade do navegador da GPU.

Pacotes JavaScript

O código da API LLM Inference está disponível no pacote @mediapipe/tasks-genai. Você pode encontrar essas bibliotecas nos links fornecidos no Guia de configuração da plataforma.

Instale os pacotes necessários para o preparo local:

npm install @mediapipe/tasks-genai

Para implantar em um servidor, use um serviço de rede de fornecimento de conteúdo (CDN), como jsDelivr (link em inglês), para adicionar o código diretamente à página HTML:

<head>
  <script src="https://cdn.jsdelivr.net/npm/@mediapipe/tasks-genai/genai_bundle.cjs"
    crossorigin="anonymous"></script>
</head>

Modelo

A API MediaPipe LLM Inference requer um modelo treinado compatível com essa tarefa. Para aplicativos da Web, o modelo precisa ser compatível com GPU.

Para mais informações sobre os modelos treinados disponíveis para a API LLM Inference, consulte a seção Modelos, uma visão geral da tarefa.

Fazer o download de um modelo

Antes de inicializar a API LLM Inference, faça o download de um dos modelos compatíveis e armazene o arquivo no diretório do projeto:

Gemma: parte de uma família de modelos abertos leves e de última geração, criados a partir da mesma pesquisa e tecnologia usadas para criar os modelos do Gemini. Adequado para várias tarefas de geração de texto, incluindo respostas a perguntas, resumo e raciocínio. Faça o download da variante de modelo Gemma 2B ou Gemma 7B.
Phi-2: modelo de transformador de 2, 7 bilhões de parâmetros, mais adequado para formatos de perguntas e respostas, chat e código.
Falcon-RW-1B: modelo somente decodificador causal de um parâmetro treinado com 350 bilhões de tokens do RefinedWeb.
StableLM-3B: modelo de linguagem de três bilhões de decodificadores de parâmetros pré-treinado em 1 trilhão de tokens de diversos conjuntos de dados em inglês e de código.

Recomendamos o uso da Gemma 2B ou Gemma 7B, que estão disponíveis nos Modelos Kaggle e vêm em um formato que já é compatível com a API LLM Inference. Se você usar outro LLM, será necessário converter o modelo em um formato compatível com o MediaPipe. Para saber mais, consulte o site da Gemma. Para mais informações sobre os outros modelos disponíveis, consulte a seção Modelos de visão geral da tarefa.

Converter modelo para o formato MediaPipe

Conversão de modelo nativo

Se você estiver usando um LLM externo (Phi-2, Falcon ou StableLM) ou uma versão do Gemma que não seja Kaggle, utilize nossos scripts de conversão para formatar o modelo para que seja compatível com o MediaPipe.

O processo de conversão de modelo requer o pacote MediaPipe PyPI. O script de conversão está disponível em todos os pacotes do MediaPipe após 0.10.11.

Instale e importe as dependências com o seguinte código:

$ python3 -m pip install mediapipe

Use a biblioteca genai.converter para converter o modelo:

import mediapipe as mp
from mediapipe.tasks.python.genai import converter

config = converter.ConversionConfig(
  input_ckpt=INPUT_CKPT,
  ckpt_format=CKPT_FORMAT,
  model_type=MODEL_TYPE,
  backend=BACKEND,
  output_dir=OUTPUT_DIR,
  combine_file_only=False,
  vocab_model_file=VOCAB_MODEL_FILE,
  output_tflite_file=OUTPUT_TFLITE_FILE,
)

converter.convert_checkpoint(config)

Para converter o modelo LoRA, o ConversionConfig precisa especificar as opções do modelo base, bem como outras opções da LoRA. Como a API só oferece suporte à inferência de LoRA com GPU, o back-end precisa ser definido como 'gpu'.

import mediapipe as mp
from mediapipe.tasks.python.genai import converter

config = converter.ConversionConfig(
  # Other params related to base model
  ...
  # Must use gpu backend for LoRA conversion
  backend='gpu',
  # LoRA related params
  lora_ckpt=LORA_CKPT,
  lora_rank=LORA_RANK,
  lora_output_tflite_file=LORA_OUTPUT_TFLITE_FILE,
)

converter.convert_checkpoint(config)

O conversor gerará dois arquivos de flatbuffer TFLite, um para o modelo base e outro para o modelo LoRA.

Parâmetro	Descrição	Valores aceitos
`input_ckpt`	O caminho para o arquivo `model.safetensors` ou `pytorch.bin`. Às vezes, o formato dos safetensor do modelo é fragmentado em vários arquivos, por exemplo, `model-00001-of-00003.safetensors` e `model-00001-of-00003.safetensors`. É possível especificar um padrão de arquivo, como `model*.safetensors`.	PATH
`ckpt_format`	O formato de arquivo do modelo.	{"safetensors", "pytorch"}
`model_type`	O LLM sendo convertido.	{"PHI_2", "FALCON_RW_1B", "STABLELM_4E1T_3B", "GEMMA_2B"}
`backend`	O processador (delegado) usado para executar o modelo.	{"cpu", "gpu"}
`output_dir`	O caminho para o diretório de saída que hospeda os arquivos de peso por camada.	PATH
`output_tflite_file`	O caminho para o arquivo de saída. Por exemplo, "model_cpu.bin" ou "model_gpu.bin". Esse arquivo é compatível apenas com a API LLM Inference e não pode ser usado como um arquivo "tflite" geral.	PATH
`vocab_model_file`	O caminho para o diretório que armazena os arquivos `tokenizer.json` e `tokenizer_config.json`. Para o Gemma, aponte para o único arquivo `tokenizer.model`.	PATH
`lora_ckpt`	O caminho para o arquivo de safetensors da LoRA que armazena o peso do adaptador da LoRA.	PATH
`lora_rank`	Um número inteiro que representa a classificação de ckpt da LoRA. Obrigatório para converter os pesos lora. Se esse valor não for informado, o conversor vai presumir que não há pesos da LoRA. Observação: apenas o back-end da GPU é compatível com LoRA.	Número inteiro
`lora_output_tflite_file`	Nome de arquivo tflite de saída para os pesos da LoRA.	PATH

Conversão de modelo do AI Edge

Se você estiver usando um LLM mapeado para um modelo do TFLite pelo AI Edge, use nosso script de agrupamento para criar um pacote de tarefas. O processo de agrupamento empacota o modelo mapeado com outros metadados (por exemplo, tokenizadores) necessários para executar a inferência completa.

O processo de empacotamento de modelos exige o pacote PyPI do MediaPipe. O script de conversão está disponível em todos os pacotes do MediaPipe após 0.10.14.

Instale e importe as dependências com o seguinte código:

$ python3 -m pip install mediapipe

Use a biblioteca genai.bundler para agrupar o modelo:

import mediapipe as mp
from mediapipe.tasks.python.genai import bundler

config = bundler.BundleConfig(
    tflite_model=TFLITE_MODEL,
    tokenizer_model=TOKENIZER_MODEL,
    start_token=START_TOKEN,
    stop_tokens=STOP_TOKENS,
    output_filename=OUTPUT_FILENAME,
    enable_bytes_to_unicode_mapping=ENABLE_BYTES_TO_UNICODE_MAPPING,
)
bundler.create_bundle(config)

Parâmetro	Descrição	Valores aceitos
`tflite_model`	O caminho para o modelo do TFLite exportado pelo AI Edge.	PATH
`tokenizer_model`	O caminho para o modelo do tokenizador do SentencePiece.	PATH
`start_token`	Token inicial específico do modelo. O token inicial precisa estar presente no modelo do tokenizador fornecido.	STRING
`stop_tokens`	Tokens de parada específicos do modelo. Os tokens de parada precisam estar presentes no modelo do tokenizador fornecido.	LISTA[STRING]
`output_filename`	O nome do arquivo do pacote de tarefas de saída.	PATH

Adicionar modelo ao diretório do projeto

Armazene o modelo no diretório do projeto:

<dev-project-root>/assets/gemma-2b-it-gpu-int4.bin

Especifique o caminho do modelo com o parâmetro modelAssetPath do objeto baseOptions:

baseOptions: { modelAssetPath: `/assets/gemma-2b-it-gpu-int4.bin`}

Criar a tarefa

Use uma das funções da API LLM Inference createFrom...() para preparar a tarefa para executar inferências. Use a função createFromModelPath() com um caminho relativo ou absoluto para o arquivo de modelo treinado. O exemplo de código usa a função createFromOptions(). Para mais informações sobre as opções de configuração disponíveis, consulte Opções de configuração.

O código a seguir demonstra como criar e configurar essa tarefa:

const genai = await FilesetResolver.forGenAiTasks(
    // path/to/wasm/root
    "https://cdn.jsdelivr.net/npm/@mediapipe/tasks-genai@latest/wasm"
);
llmInference = await LlmInference.createFromOptions(genai, {
    baseOptions: {
        modelAssetPath: '/assets/gemma-2b-it-gpu-int4.bin'
    },
    maxTokens: 1000,
    topK: 40,
    temperature: 0.8,
    randomSeed: 101
});

Opções de configuração

Essa tarefa tem as seguintes opções de configuração para apps da Web e JavaScript:

Nome da opção	Descrição	Intervalo de valor	Valor padrão
`modelPath`	O caminho para onde o modelo está armazenado no diretório do projeto.	PATH	N/A
`maxTokens`	O número máximo de tokens (de entrada + saída) que o modelo gerencia.	Número inteiro	512
`topK`	O número de tokens que o modelo considera em cada etapa da geração. Limita as previsões aos k principais tokens mais prováveis. Ao definir `topK`, você também precisa definir um valor para `randomSeed`.	Número inteiro	40
`temperature`	A quantidade de aleatoriedade gerada durante a geração. Uma temperatura mais alta resulta em mais criatividade no texto gerado, enquanto uma temperatura mais baixa produz uma geração mais previsível. Ao definir `temperature`, você também precisa definir um valor para `randomSeed`.	Ponto flutuante	0,8
`randomSeed`	A semente aleatória usada durante a geração de texto.	Número inteiro	0
`loraRanks`	Classificação da LoRA a ser usada pelos modelos do LoRA durante o tempo de execução. Observação: isso só é compatível com modelos de GPU.	Matriz de números inteiros	N/A

preparar dados

A API LLM Inference aceita dados de texto (string). A tarefa lida com o pré-processamento de entrada de dados, incluindo a tokenização e o pré-processamento de tensor.

Todo o pré-processamento é processado na função generateResponse(). Não é necessário fazer outro pré-processamento do texto de entrada.

const inputPrompt = "Compose an email to remind Brett of lunch plans at noon on Saturday.";

Executar a tarefa

A API LLM Inference usa a função generateResponse() para acionar inferências. Na classificação de texto, isso significa retornar as possíveis categorias do texto de entrada.

O código a seguir demonstra como executar o processamento com o modelo de tarefa.

const response = await llmInference.generateResponse(inputPrompt);
document.getElementById('output').textContent = response;

Para transmitir a resposta, use o seguinte:

llmInference.generateResponse(
  inputPrompt,
  (partialResult, done) => {
        document.getElementById('output').textContent += partialResult;
});

Gerenciar e mostrar resultados

A API LLM Inference retorna uma string que inclui o texto de resposta gerado.

Here's a draft you can use:

Subject: Lunch on Saturday Reminder

Hi Brett,

Just a quick reminder about our lunch plans this Saturday at noon.
Let me know if that still works for you.

Looking forward to it!

Best,
[Your Name]

Personalização do modelo LoRA

A API de inferência LLM da Mediapipe pode ser configurada para oferecer suporte à adaptação de baixa classificação (LoRA, na sigla em inglês) para modelos de linguagem grandes. Utilizando modelos LoRA ajustados, os desenvolvedores podem personalizar o comportamento dos LLMs com um processo de treinamento econômico.

O suporte da LoRA à API LLM Inference funciona com modelos Gemma-2B e Phi-2 para o back-end da GPU, com pesos de LoRA aplicáveis apenas a camadas de atenção. Essa implementação inicial serve como uma API experimental para desenvolvimentos futuros, com planos de oferecer suporte a mais modelos e vários tipos de camadas nas próximas atualizações.

Preparar modelos LoRA

Siga as instruções em HuggingFace para treinar um modelo LoRA ajustado no seu próprio conjunto de dados com tipos de modelo compatíveis, Gemma-2B ou Phi-2. Os modelos Gemma-2B e Phi-2 estão disponíveis no HuggingFace no formato safetensor. Como a API LLM Inference só oferece suporte a LoRA em camadas de atenção, especifique apenas elas ao criar a LoraConfig da seguinte maneira:

# For Gemma-2B
from peft import LoraConfig
config = LoraConfig(
    r=LORA_RANK,
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],
)

# For Phi-2
config = LoraConfig(
    r=LORA_RANK,
    target_modules=["q_proj", "v_proj", "k_proj", "dense"],
)

Para testes, há modelos LoRA ajustados publicamente acessíveis que se encaixam na API LLM Inference disponível no HuggingFace. Por exemplo, monsterapi/gemma-2b-lora-maths-orca-200k para Gemma-2B e lole25/phi-2-sft-ultrachat-lora para Phi-2.

Depois de treinar no conjunto de dados preparado e salvar o modelo, você recebe um arquivo adapter_model.safetensors contendo os pesos do modelo LoRA ajustado. O arquivo safetensors é o checkpoint da LoRA usado na conversão do modelo.

Na próxima etapa, você vai precisar converter os pesos do modelo em um Flatbuffer do TensorFlow Lite usando o pacote MediaPipe Python. O ConversionConfig precisa especificar as opções do modelo base e outras opções da LoRA. Como a API só oferece suporte à inferência LoRA com a GPU, o back-end precisa ser definido como 'gpu'.

import mediapipe as mp
from mediapipe.tasks.python.genai import converter

config = converter.ConversionConfig(
  # Other params related to base model
  ...
  # Must use gpu backend for LoRA conversion
  backend='gpu',
  # LoRA related params
  lora_ckpt=LORA_CKPT,
  lora_rank=LORA_RANK,
  lora_output_tflite_file=LORA_OUTPUT_TFLITE_FILE,
)

converter.convert_checkpoint(config)

O conversor gerará dois arquivos de flatbuffer TFLite, um para o modelo base e outro para o modelo LoRA.

Inferência de modelo LoRA

A API LLM Inference para Web, Android e iOS foi atualizada para oferecer suporte à inferência de modelo LoRA. A Web oferece suporte à LoRA dinâmica, que pode alternar diferentes modelos LoRA durante o tempo de execução. O Android e o iOS são compatíveis com a LoRA estática, que usa os mesmos pesos da LoRA durante o ciclo de vida da tarefa.

A Web oferece suporte à LoRA dinâmica durante o tempo de execução. Ou seja, os usuários declaram que as classificações LoRA serão usadas durante a inicialização e podem trocar diferentes modelos de LoRA durante o tempo de execução.

const genai = await FilesetResolver.forGenAiTasks(
    // path/to/wasm/root
    "https://cdn.jsdelivr.net/npm/@mediapipe/tasks-genai@latest/wasm"
);
const llmInference = await LlmInference.createFromOptions(genai, {
    // options for the base model
    ...
    // LoRA ranks to be used by the LoRA models during runtime
    loraRanks: [4, 8, 16]
});

Durante o tempo de execução, depois que o modelo base for inicializado, carregue os modelos LoRA a serem usados. Além disso, acione o modelo LoRA transmitindo a referência do modelo LoRA enquanto gera a resposta do LLM.

// Load several LoRA models. The returned LoRA model reference is used to specify
// which LoRA model to be used for inference.
loraModelRank4 = await llmInference.loadLoraModel(loraModelRank4Url);
loraModelRank8 = await llmInference.loadLoraModel(loraModelRank8Url);

// Specify LoRA model to be used during inference
llmInference.generateResponse(
  inputPrompt,
  loraModelRank4,
  (partialResult, done) => {
        document.getElementById('output').textContent += partialResult;
});