dspy

DSPY: Programação - NÃO PONTANDO - MODELOS DE FOLDAÇÃO

Documentação: DSPY Docs

---

O DSPY é a estrutura de código aberto para a programação-em vez de promover modelos de linguagem . Ele permite que você itera rapidamente na construção de sistemas modulares de IA e fornece algoritmos para otimizar seus avisos e pesos , esteja você construindo classificadores simples, tubulações sofisticadas de rag ou loops de agentes.

DSPY significa Python declarativo auto-improvável. Em vez de avisos quebradiços, você escreve código Python composicional e usa as ferramentas da DSPY para ensinar seu LM para fornecer saídas de alta qualidade . Esta palestra é uma boa introdução conceitual. Conheça a comunidade, procure ajuda ou comece a contribuir através do nosso repo do GitHub aqui e nosso servidor Discord.

Documentação: dspy.ai

Por favor, vá para o DSPY Docs em dspy.ai

Instalação

pip install dspy

Para instalar o mais recente de main :

pip install git+https://github.com/stanfordnlp/dspy.git

Citação e leitura mais

[Jun'24] Otimizando instruções e demonstrações para programas de modelos de idiomas em vários estágios
[Outubro de 23] DSPY: Compilar o modelo de linguagem declarativa que chama em pipelines auto-improvantes
[Jul'24] Ajuste e otimização imediata: dois grandes passos que funcionam melhor juntos
[Jun'24] solicita como hiperparâmetros de treinamento otimizado automaticamente
[Fev'24] Ajudando a escrever artigos do tipo Wikipedia do zero com grandes modelos de linguagem
[Jan'24] Learning no Contexto para Classificação Extrema de Multi-Rabel
[Dez'23] DSPY Asserções: restrições computacionais para pipelines de modelos de linguagem auto-refinados
[DEC'22]

Para se manter atualizado ou saber mais, siga @lateInteraction no Twitter.

O logotipo DSPY foi projetado por Chuyi Zhang .

Se você usar o DSPY ou DSP em um artigo de pesquisa, cite nosso trabalho da seguinte forma:

 @inproceedings{khattab2024dspy,
  title={DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines},
  author={Khattab, Omar and Singhvi, Arnav and Maheshwari, Paridhi and Zhang, Zhiyuan and Santhanam, Keshav and Vardhamanan, Sri and Haq, Saiful and Sharma, Ashutosh and Joshi, Thomas T. and Moazam, Hanna and Miller, Heather and Zaharia, Matei and Potts, Christopher},
  journal={The Twelfth International Conference on Learning Representations},
  year={2024}
}
@article{khattab2022demonstrate,
  title={Demonstrate-Search-Predict: Composing Retrieval and Language Models for Knowledge-Intensive {NLP}},
  author={Khattab, Omar and Santhanam, Keshav and Li, Xiang Lisa and Hall, David and Liang, Percy and Potts, Christopher and Zaharia, Matei},
  journal={arXiv preprint arXiv:2212.14024},
  year={2022}
}