FlashRank.jl
v0.4.1
FlashRank.jl создан на основе потрясающего пакета FlashRank Python, первоначально разработанного Притхивираджем Дамодараном. Этот пакет использует веса моделей из репозитория HF Prithiviraj и репозитория HF Svilupp, чтобы обеспечить быстрый и эффективный способ ранжирования документов, соответствующих любому заданному запросу, без использования графических процессоров и больших зависимостей .
Это расширяет возможности конвейеров расширенной генерации (RAG) за счет определения приоритета наиболее подходящих документов. Самая маленькая модель может работать практически на любой машине.
:tiny ):mini4 ):mini6 ):mini или mini12 )Насколько это быстро? С помощью модели Tiny вы можете ранжировать 100 документов на ноутбуке примерно за 0,1 секунды. С помощью модели MiniLM (12 слоев) вы можете ранжировать 100 документов примерно за 0,4 секунды.
Совет: выберите самую большую модель, которую вы можете себе позволить с учетом вашего бюджета на задержку, т. е. MiniLM L-12 — самая медленная, но обладает лучшей точностью.
Обратите внимание, что мы используем модели BERT с максимальным размером фрагмента 512 токенов (все, что больше, будет обрезано).
Добавьте его в свою среду просто с помощью:
using Pkg
Pkg . activate ( " . " )
Pkg . add ( " FlashRank " )Ранжировать ваши документы по заданному запросу так же просто, как:
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 имеет тип RankResult и содержит отсортированные отрывки, их оценки (0-1, где 1 — лучший результат) и позиции отсортированных документов (относительно исходного вектора passages ).
Вот краткое описание того, как можно интегрировать FlashRank.jl в конвейер RAG PromptingTools.jl.
Полный пример см. в 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 ) Вы также можете использовать довольно «грубые», но быстрые внедрения с помощью модели tiny_embed (Bert-L4).
embedder = FlashRank . EmbedderModel ( :tiny_embed )
passages = [ " This is a test " , " This is another test " ]
result = FlashRank . embed (embedder, passages)
