メインコンテンツへスキップ
Weave は、Cerebras Cloud SDK 経由の LLM call を自動的にトラッキングしてログします。

​
トレース

LLM call のトラッキングは、デバッグやパフォーマンス監視に不可欠です。Weave は、Cerebras Cloud SDK のトレースを自動的に取得することで、これを可能にします。 以下は、Cerebras で Weave を使用する例です。 
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")

# 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、Cerebras SDK を介して行われるすべての LLM call をトラッキングしてログするようになりました。トークン使用量や応答時間などの詳細を含むトレースは、Weave の Web インターフェースで確認できます。 cerebras_calls.png

​
独自のopsでラップする

Weave opsは、コードを自動でバージョン管理し、入力と出力を記録することで、実験の再現性と追跡性を高められる強力な手段です。以下は、Cerebras SDKでWeave opsを活用する方法の例です。 
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、コードをトラッキングする
@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")

​
試行錯誤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バージョンを整理して比較できます。これは、Cerebras モデルを試す際に特に便利です。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)
この設定なら、Cerebras を活用した推論をトラッキングしながら、さまざまなモデルやパラメーターを手軽に試せます！ cerebras_model.png