FlashRank.jl
v0.4.1
FlashRank.jl é inspirado no incrível pacote FlashRank Python, originalmente desenvolvido por Prithiviraj Damodaran. Este pacote aproveita pesos de modelo do repositório HF de Prithiviraj e do repositório HF de Svilupp para fornecer uma maneira rápida e eficiente de classificar documentos relevantes para qualquer consulta sem GPUs e grandes dependências .
Isso aprimora os pipelines de Retrieval Augmented Generation (RAG), priorizando os documentos mais adequados. O menor modelo pode ser executado em praticamente qualquer máquina.
:tiny ):mini4 ):mini6 ):mini ou mini12 )Quão rápido é isso? Com o modelo Tiny, você pode classificar 100 documentos em aproximadamente 0,1 segundos em um laptop. Com o modelo MiniLM (12 camadas), você pode classificar 100 documentos em aproximadamente 0,4 segundos.
Dica: Escolha o maior modelo que você puder pagar com seu orçamento de latência, ou seja, o MiniLM L-12 é o mais lento, mas tem a melhor precisão.
Observe que estamos usando modelos BERT com tamanho máximo de bloco de 512 tokens (qualquer coisa acima será truncada).
Adicione-o ao seu ambiente simplesmente com:
using Pkg
Pkg . activate ( " . " )
Pkg . add ( " FlashRank " )Classificar seus documentos para uma determinada consulta é tão simples quanto:
ENV [ " DATADEPS_ALWAYS_ACCEPT " ] = " true "
using FlashRank
ranker = RankerModel () # Defaults to model = `:tiny`
query = " How to speedup LLMs? "
passages = [
" Introduce *lookahead decoding*: - a parallel decoding algo to accelerate LLM inference - w/o the need for a draft model or a data store - linearly decreases # decoding steps relative to log(FLOPs) used per decoding step. " ,
" LLM inference efficiency will be one of the most crucial topics for both industry and academia, simply because the more efficient you are, the more $$$ you will save. vllm project is a must-read for this direction, and now they have just released the paper " ,
" There are many ways to increase LLM inference throughput (tokens/second) and decrease memory footprint, sometimes at the same time. Here are a few methods I’ve found effective when working with Llama 2. These methods are all well-integrated with Hugging Face. This list is far from exhaustive; some of these techniques can be used in combination with each other and there are plenty of others to try. - Bettertransformer (Optimum Library): Simply call `model.to_bettertransformer()` on your Hugging Face model for a modest improvement in tokens per second. - Fp4 Mixed-Precision (Bitsandbytes): Requires minimal configuration and dramatically reduces the model's memory footprint. - AutoGPTQ: Time-consuming but leads to a much smaller model and faster inference. The quantization is a one-time cost that pays off in the long run. " ,
" Ever want to make your LLM inference go brrrrr but got stuck at implementing speculative decoding and finding the suitable draft model? No more pain! Thrilled to unveil Medusa, a simple framework that removes the annoying draft model while getting 2x speedup. " ,
" vLLM is a fast and easy-to-use library for LLM inference and serving. vLLM is fast with: State-of-the-art serving throughput Efficient management of attention key and value memory with PagedAttention Continuous batching of incoming requests Optimized CUDA kernels " ,
];
result = rank (ranker, query, passages) result é do tipo RankResult e contém as passagens ordenadas, suas pontuações (0-1, onde 1 é a melhor) e as posições dos documentos ordenados (referentes ao vetor passages originais).
Aqui está um breve esboço de como você pode integrar FlashRank.jl em seu pipeline RAG PromptingTools.jl.
Para obter um exemplo completo, consulte examples/prompting_tools_integration.jl .
using FlashRank
using PromptingTools
using PromptingTools . Experimental . RAGTools
const RT = PromptingTools . Experimental . RAGTools
# Wrap the model to be a valid Ranker recognized by RAGTools
# It will be provided to the airag/rerank function to avoid instantiating it on every call
struct FlashRanker <: RT.AbstractReranker
model :: RankerModel
end
reranker = RankerModel ( :tiny ) |> FlashRanker
# Define the method for ranking with it
function RT . rerank (
reranker :: FlashRanker , index :: RT.AbstractDocumentIndex , question :: AbstractString ,
candidates :: RT.AbstractCandidateChunks ; kwargs ... )
# # omitted for brevity
# # See examples/prompting_tools_integration.jl for details
end
# # Apply to the pipeline configuration, eg,
cfg = RAGConfig (; retriever = RT . AdvancedRetriever (; reranker))
# # assumes existing index
question = " Tell me about prehistoric animals "
result = airag (cfg, index; question, return_all = true ) Você também pode aproveitar embeddings bastante "grosseiros", mas rápidos, com o modelo tiny_embed (Bert-L4).
embedder = FlashRank . EmbedderModel ( :tiny_embed )
passages = [ " This is a test " , " This is another test " ]
result = FlashRank . embed (embedder, passages)
