Obtén más información sobre nuestros anuncios de Google AI Edge de I/O.

Se usó la API de Cloud Translation para traducir esta página.

Guía de inferencia de LLM para la Web

La API de inferencia de LLM te permite ejecutar modelos grandes de lenguaje (LLM) por completo en el navegador para aplicaciones web, que puedes usar a fin de realizar una amplia variedad de tareas, como generar texto, recuperar información en formato de lenguaje natural y resumir documentos. La tarea proporciona compatibilidad integrada con varios modelos grandes de lenguaje de texto a texto, de modo que puedas aplicar los modelos de IA generativa más recientes integrados en el dispositivo a tus apps web.

Puedes ver esta tarea en acción con la demostración de MediaPipe Studio. Para obtener más información sobre las capacidades, los modelos y las opciones de configuración de esta tarea, consulta la Descripción general.

Ejemplo de código

La aplicación de ejemplo para la API de inferencia de LLM proporciona una implementación básica de esta tarea en JavaScript para tu referencia. Puedes usar esta app de ejemplo para comenzar a compilar tu propia app de generación de texto.

Puedes acceder a la app de ejemplo de la API de inferencia de LLM en GitHub.

Configuración

En esta sección, se describen los pasos clave para configurar tu entorno de desarrollo y los proyectos de código específicamente para usar la API de inferencia de LLM. Si deseas obtener información general sobre cómo configurar tu entorno de desarrollo para usar MediaPipe Tasks, incluidos los requisitos de la versión de la plataforma, consulta la Guía de configuración para la Web.

Compatibilidad del navegador

La API de inferencia de LLM requiere un navegador web compatible con WebGPU. Para obtener una lista completa de navegadores compatibles, consulta Compatibilidad con navegadores de GPU.

Paquetes de JavaScript

El código de la API de inferencia de LLM está disponible a través del paquete @mediapipe/tasks-genai. Puedes encontrar y descargar estas bibliotecas desde los vínculos que se proporcionan en la Guía de configuración de la plataforma.

Instala los paquetes necesarios para la etapa de pruebas local:

npm install @mediapipe/tasks-genai

Para implementar en un servidor, usa un servicio de red de distribución de contenidos (CDN), como jsDelivr, para agregar código directamente a tu página HTML:

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

Modelo

La API de inferencia del LLM de MediaPipe requiere un modelo entrenado que sea compatible con esta tarea. Para las aplicaciones web, el modelo debe ser compatible con la GPU.

Si deseas obtener más información sobre los modelos entrenados disponibles para la API de inferencia de LLM, consulta la descripción general de tareas en la sección Modelos.

Descarga un modelo

Antes de inicializar la API de inferencia de LLM, descarga uno de los modelos compatibles y almacena el archivo dentro del directorio de tu proyecto:

Gemma: Es parte de una familia de modelos abiertos, ligeros y de vanguardia, compilados a partir de la misma investigación y tecnología que se usaron para crear los modelos de Gemini. Ideal para una variedad de tareas de generación de texto, como responder preguntas, resumir y razonar. Descarga la variante de modelo Gemma 2B o Gemma 7B.
Phi-2: Es un modelo Transformer de 2, 700 millones de parámetros, el más adecuado para el formato de pregunta-respuesta, chat y código.
Falcon-RW-1B: Un modelo causal solo de decodificador de 1,000 millones de parámetros entrenado con 350,000 millones de tokens de RefinedWeb.
StableLM-3B: Modelo de lenguaje solo de decodificador de 3,000 millones de parámetros previamente entrenado con 1 billón de tokens de diversos conjuntos de datos de código y inglés.

Recomendamos usar Gemma 2B o Gemma 7B, que están disponibles en los modelos de Kaggle y tienen un formato que ya es compatible con la API de inferencia de LLM. Si usas otro LLM, deberás convertir el modelo a un formato compatible con MediaPipe. Para obtener más información sobre Gemma, consulta el sitio de Gemma. Si deseas obtener más información sobre los otros modelos disponibles, consulta la descripción general de la tarea en la sección Modelos.

Convierte el modelo a formato de MediaPipe

Conversión de modelos nativos

Si usas un LLM externo (Phi-2, Falcon o StableLM) o una versión de Gemma que no sea Kaggle, usa nuestras secuencias de comandos de conversión para formatear el modelo y que sea compatible con MediaPipe.

El proceso de conversión del modelo requiere el paquete MediaPipe PyPI. La secuencia de comandos de conversión está disponible en todos los paquetes de MediaPipe después de 0.10.11.

Instala e importa las dependencias con lo siguiente:

$ python3 -m pip install mediapipe

Usa la biblioteca genai.converter para convertir el 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 convertir el modelo de LoRA, ConversionConfig debe especificar las opciones del modelo base, así como las opciones de LoRA adicionales. Ten en cuenta que, como la API solo admite inferencias de LoRA con GPU, el backend debe configurarse en '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)

El conversor generará dos archivos de búfer plano de TFLite, uno para el modelo base y otro para el modelo de LoRA.

Parámetro	Descripción	Valores aceptados
`input_ckpt`	Es la ruta de acceso al archivo `model.safetensors` o `pytorch.bin`. Ten en cuenta que, a veces, el formato de los Safetensors del modelo se fragmenta en varios archivos, p.ej., `model-00001-of-00003.safetensors`, `model-00001-of-00003.safetensors`. Puedes especificar un patrón de archivo, como `model*.safetensors`.	PATH
`ckpt_format`	El formato de archivo del modelo.	{"safetensors", "pytorch"}
`model_type`	El LLM que se convertirá.	{“PHI_2”, “FALCON_RW_1B”, “STABLELM_4E1T_3B”, “GEMMA_2B"}
`backend`	El procesador (delegado) que se usa para ejecutar el modelo.	{"cpu", "gpu"}
`output_dir`	La ruta de acceso al directorio de salida que aloja los archivos de peso por capa.	PATH
`output_tflite_file`	Es la ruta de acceso al archivo de salida. Por ejemplo, "model_cpu.bin" o "model_gpu.bin". Este archivo solo es compatible con la API de inferencia de LLM y no se puede usar como un archivo general “tflite”.	PATH
`vocab_model_file`	Es la ruta de acceso al directorio que almacena los archivos `tokenizer.json` y `tokenizer_config.json`. En Gemma, selecciona el único archivo `tokenizer.model`.	PATH
`lora_ckpt`	La ruta de acceso al archivo ckpt de LoRA de Safetensors que almacena el peso del adaptador de LoRA.	PATH
`lora_rank`	Es un número entero que representa la clasificación de ckpt de LoRA. Obligatorio para convertir las ponderaciones de lora. Si no se proporcionan, el conversor considera que no hay ponderaciones de la LoRA. Nota: Solo el backend de GPU es compatible con LoRA.	Número entero
`lora_output_tflite_file`	Nombre de archivo de tflite de salida para las ponderaciones de LoRA.	PATH

Conversión de modelos de AI Edge

Si usas un LLM asignado a un modelo de TFLite a través de AI Edge, usa nuestra secuencia de comandos de paquetes para crear un paquete de tareas. El proceso de creación de paquetes empaqueta el modelo asignado con metadatos adicionales parámetros del tokenizador) necesarios para ejecutar inferencias de extremo a extremo.

El proceso de agrupamiento del modelo requiere el paquete MediaPipe PyPI. La secuencia de comandos de conversión está disponible en todos los paquetes de MediaPipe después de 0.10.14.

Instala e importa las dependencias con lo siguiente:

$ python3 -m pip install mediapipe

Usa la biblioteca genai.bundler para empaquetar el 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)

Parámetro	Descripción	Valores aceptados
`tflite_model`	La ruta de acceso al modelo de TFLite exportado de AI Edge.	PATH
`tokenizer_model`	La ruta de acceso al modelo del tokenizador de SentencePiece.	PATH
`start_token`	Token de inicio específico del modelo. El token de inicio debe estar presente en el modelo de asignación de tokens proporcionado.	STRING
`stop_tokens`	Modela tokens de parada específicos. Los tokens de detención deben estar presentes en el modelo de asignación de tokens proporcionado.	LISTA[STRING]
`output_filename`	Es el nombre del archivo de paquete de tareas de salida.	PATH

Agregar el modelo al directorio del proyecto

Almacena el modelo dentro del directorio de tu proyecto:

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

Especifica la ruta del modelo con el parámetro modelAssetPath del objeto baseOptions:

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

Crea la tarea

Usa una de las funciones createFrom...() de la API de inferencia de LLM a fin de preparar la tarea para ejecutar inferencias. Puedes usar la función createFromModelPath() con una ruta relativa o absoluta al archivo del modelo entrenado. En el ejemplo de código, se usa la función createFromOptions(). Para obtener más información sobre las opciones de configuración disponibles, consulta Opciones de configuración.

En el siguiente código, se muestra cómo compilar y configurar esta tarea:

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
});

Opciones de configuración

Esta tarea incluye las siguientes opciones de configuración para apps web y de JavaScript:

Nombre de la opción	Descripción	Rango de valores	Valor predeterminado
`modelPath`	La ruta de acceso en la que se almacena el modelo dentro del directorio del proyecto.	PATH	N/A
`maxTokens`	La cantidad máxima de tokens (tokens de entrada + tokens de salida) que controla el modelo.	Número entero	512
`topK`	La cantidad de tokens que el modelo considera en cada paso de generación. Limita las predicciones a los k tokens más probables principales. Cuando configuras `topK`, también debes establecer un valor para `randomSeed`.	Número entero	40
`temperature`	La cantidad de aleatoriedad introducida durante la generación. Una temperatura más alta da como resultado más creatividad en el texto generado, mientras que una temperatura más baja produce una generación más predecible. Cuando configuras `temperature`, también debes establecer un valor para `randomSeed`.	Número de punto flotante	0.8
`randomSeed`	El valor inicial aleatorio usado durante la generación de texto.	Número entero	0
`loraRanks`	Clasificaciones de la LoRA para que los modelos de la LoRA usen durante el tiempo de ejecución Nota: Esto solo es compatible con los modelos de GPU.	Array de enteros	N/A

Preparar los datos

La API de inferencia de LLM acepta datos de texto (string). Esta tarea controla el procesamiento previo de la entrada de datos, incluida la asignación de token y el procesamiento previo del tensor.

Todo el procesamiento previo se controla dentro de la función generateResponse(). No es necesario realizar un procesamiento previo adicional del texto de entrada.

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

Ejecuta la tarea

La API de inferencia de LLM usa la función generateResponse() para activar las inferencias. Para la clasificación de texto, esto significa mostrar las categorías posibles del texto de entrada.

En el siguiente código, se muestra cómo ejecutar el procesamiento con el modelo de tareas.

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

Para transmitir la respuesta, usa lo siguiente:

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

Cómo controlar y mostrar los resultados

La API de inferencia de LLM devuelve una cadena, que incluye el texto de respuesta generado.

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]

Personalización del modelo de LoRA

La API de inferencia de LLM de Mediapipe se puede configurar para que admita la adaptación de bajo rango (LoRA) en modelos grandes de lenguaje. Mediante modelos de LoRA ajustados, los desarrolladores pueden personalizar el comportamiento de los LLM a través de un proceso de entrenamiento rentable.

La compatibilidad de LoRA con la API de inferencia de LLM funciona con los modelos Gemma-2B y Phi-2 para el backend de la GPU, y las ponderaciones de LoRA se aplican solo a las capas de atención. Esta implementación inicial sirve como una API experimental para desarrollos futuros con planes de admitir más modelos y varios tipos de capas en las próximas actualizaciones.

Prepara modelos de LoRA

Sigue las instrucciones en HuggingFace para entrenar un modelo de LoRA ajustado en tu propio conjunto de datos con los tipos de modelos compatibles: Gemma-2B o Phi-2. Los modelos Gemma-2B y Phi-2 están disponibles en HuggingFace en el formato de cajas fuertes. Dado que la API de inferencia de LLM solo admite LoRA en las capas de atención, especifica únicamente estas capas mientras creas el LoraConfig de la siguiente manera:

# 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 las pruebas, hay modelos de LoRA perfeccionados y de acceso público que se ajustan a la API de inferencia de LLM disponibles en HuggingFace. Por ejemplo, monsterapi/gemma-2b-lora-maths-orca-200k para Gemma-2B y lole25/phi-2-sft-ultrachat-lora para Phi-2.

Después de entrenar con el conjunto de datos preparado y guardar el modelo, obtendrás un archivo adapter_model.safetensors que contiene los pesos del modelo de LoRA ajustados. El archivo Safetensors es el punto de control de la LoRA que se usa en la conversión del modelo.

En el siguiente paso, debes convertir los pesos del modelo en un búfer plano de TensorFlow Lite con el paquete de MediaPipe para Python. El ConversionConfig debe especificar las opciones del modelo base, así como las opciones de LoRA adicionales. Ten en cuenta que, como la API solo admite la inferencia de LoRA con GPU, el backend debe configurarse en '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)

El conversor generará dos archivos de búfer plano de TFLite, uno para el modelo base y otro para el modelo de LoRA.

Inferencia del modelo de LoRA

Se actualizaron las APIs de inferencia de LLM para iOS, Android y la Web para admitir la inferencia de modelos de LoRA. Web admite LoRA dinámica, que puede cambiar diferentes modelos de LoRA durante el tiempo de ejecución. iOS y Android admiten la LoRA estática, que utiliza las mismas ponderaciones de la LoRA durante el ciclo de vida de la tarea.

Web admite LoRA dinámica durante el tiempo de ejecución. Es decir, los usuarios declaran que las clasificaciones de LoRA se usarán durante la inicialización y pueden intercambiar diferentes modelos de LoRA durante el tiempo de ejecución.

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 el tiempo de ejecución, después de inicializar el modelo base, cargar los modelos de LoRA que se usarán. Además, para activar el modelo de LoRA, pasa la referencia del modelo mientras generas la respuesta del 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;
});