Passer au contenu principal
Un Model est une combinaison de données (qui peuvent inclure la configuration, les poids d’un modèle entraîné ou d’autres informations) et de code qui définit le fonctionnement du modèle. En structurant votre code pour qu’il soit compatible avec cette API, vous bénéficiez d’un cadre structuré pour gérer les versions de votre application et suivre plus systématiquement vos expériences.
Pour créer un modèle dans Weave, vous avez besoin des éléments suivants :
  • une classe qui hérite de weave.Model
  • des annotations de type pour tous les paramètres
  • une fonction predict typée avec le décorateur @weave.op()
from weave import Model
import weave

class YourModel(Model):
    attribute1: str
    attribute2: int

    @weave.op()
    def predict(self, input_data: str) -> dict:
        # La logique du modèle va ici
        prediction = self.attribute1 + ' ' + input_data
        return {'pred': prediction}
Vous pouvez appeler le modèle comme d’habitude avec :
import weave
weave.init('intro-example')

model = YourModel(attribute1='hello', attribute2=5)
model.predict('world')
Cela permet de suivre la configuration du modèle ainsi que les entrées et les sorties chaque fois que vous appelez predict.

​
Gestion automatique des versions des modèles

Lorsque vous modifiez les paramètres ou le code qui définit votre modèle, ces changements seront enregistrés et la version sera mise à jour. Cela vous permet de comparer les prédictions entre différentes versions de votre modèle. Utilisez cette fonctionnalité pour itérer sur vos prompts ou essayer le dernier LLM et comparer les prédictions selon différentes configurations.Par exemple, nous créons ici un nouveau modèle :
import weave
weave.init('intro-example')

model = YourModel(attribute1='howdy', attribute2=10)
model.predict('world')
Après cet appel, vous verrez que vous avez maintenant deux versions de ce modèle dans l’UI, chacune avec des appels suivis distincts.

​
Serve des modèles

Pour servir un modèle, vous pouvez facilement lancer un serveur FastAPI en appelant :
weave serve <your model ref>
Pour des instructions supplémentaires, voir serve.

​
Suivre les appels de production

Pour séparer les appels de production, vous pouvez ajouter un attribut supplémentaire aux prédictions pour faciliter le filtrage dans l’UI ou l’API.
with weave.attributes({'env': 'production'}):
    model.predict('world')