メインコンテンツへスキップ
Weave は、Cerebras Cloud SDK を使用して実行される LLM 呼び出しを自動的にトレースし、ログに記録します。

​
トレース

LLM の呼び出しを追跡することは、デバッグやパフォーマンス監視において非常に重要です。Weave は Cerebras Cloud SDK のトレースを自動的に記録することで、この作業を支援します。 以下は、Cerebras Cloud SDK と組み合わせて Weave を使用する方法の一例です。 
import os
import weave
from cerebras.cloud.sdk import Cerebras

# weave プロジェクトを初期化する
weave.init("cerebras_speedster")

# Cerebras SDK を通常通り使用する
api_key = os.environ["CEREBRAS_API_KEY"]
model = "llama3.1-8b"  # Cerebras モデル

client = Cerebras(api_key=api_key)

response = client.chat.completions.create(
    model=model,
    messages=[{"role": "user", "content": "What's the fastest land animal?"}],
)

print(response.choices[0].message.content)
Weave は現在、Cerebras SDK を通じて行われるすべての LLM 呼び出しを追跡し、ログに記録します。トークン使用量やレスポンスタイムなどの詳細を含むトレースは、Weave の Web インターフェース上で確認できます。 cerebras_calls.png

​
独自の ops でラップする

Weave ops を使用すると、Experiments における再現性とトレーサビリティを強化できます。コードのバージョン管理や入出力の記録も自動で行われます。以下は、Cerebras SDK と組み合わせて Weave ops を活用する例です。 
import os
import weave
from cerebras.cloud.sdk import Cerebras

# Weaveプロジェクトを初期化する
weave.init("cerebras_speedster")

client = Cerebras(api_key=os.environ["CEREBRAS_API_KEY"])

# Weaveはこの関数の入力、出力、コードを追跡します
@weave.op
def animal_speedster(animal: str, model: str) -> str:
    "Find out how fast an animal can run"
    
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": f"How fast can a {animal} run?"}],
    )
    return response.choices[0].message.content

animal_speedster("cheetah", "llama3.1-8b")
animal_speedster("ostrich", "llama3.1-8b")
animal_speedster("human", "llama3.1-8b")

​
実験をしやすくするために Model を作成する

Weave の Model クラスを使うと、アプリのさまざまなイテレーションを整理して比較できます。これは、Cerebras モデルで実験する場合に特に便利です。以下に例を示します。 
import os
import weave
from cerebras.cloud.sdk import Cerebras

# weave プロジェクトを初期化する
weave.init("cerebras_speedster")

client = Cerebras(api_key=os.environ["CEREBRAS_API_KEY"])

class AnimalSpeedModel(weave.Model):
    model: str
    temperature: float

    @weave.op
    def predict(self, animal: str) -> str:
        "動物の最高速度を予測する"        

        response = client.chat.completions.create(
            model=self.model,
            messages=[{"role": "user", "content": f"What's the top speed of a {animal}?"}],
            temperature=self.temperature
        )
        return response.choices[0].message.content

speed_model = AnimalSpeedModel(
    model="llama3.1-8b",
    temperature=0.7
)
result = speed_model.predict(animal="cheetah")
print(result)
このセットアップを使えば、さまざまなモデルやパラメータを簡単に試しつつ、Cerebras で実行した推論結果をまとめて追跡できます。 cerebras_model.png