Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Gestione di modelli di chat e tokenizer personalizzati

I modelli di chat e i tokenizer personalizzati sono componenti essenziali per formattare correttamente gli input conversazionali e gestire la generazione di token nei modelli importati. Custom Model Import supporta l'importazione di modelli con modelli di chat personalizzati che definiscono in che modo le conversazioni a più turni sono strutturate e tokenizzate.

Importazione di modelli con modelli di chat personalizzati

Quando importi un modello con modelli di chat personalizzati, assicurati di seguire le migliori pratiche descritte nella documentazione principale di Custom Model Import, incluso l'inserimento dei pesi dei modelli in formato tensori sicuri e la fornitura di tutti i file di configurazione necessari.

Requisiti di formato dei modelli di chat

Se il tuo modello utilizza un modello di chat personalizzato e desideri utilizzarlo con Amazon Bedrock, devi includere il file del modello di chat in uno dei seguenti formati:

Custom Model Import elaborerà automaticamente questi file e li includerà nelle directory corrette durante il processo di importazione.

Precedenza dei modelli di chat

Se fornisci più fonti di modelli di chat, Amazon Bedrock applica le seguenti regole di precedenza:

Esempi di formati per modelli di chat

Ecco alcuni esempi dei due formati di modelli di chat supportati:

Jinja Format (chat_template.jinja)

Un esempio semplificato di modello di Jinja2-based chat:

{% for message in messages %}
{% if loop.first and message['role'] != 'system' %}
<|im_start|>system
You are a helpful assistant.<|im_end|>
{% endif %}
<|im_start|>{{ message['role'] }}
{{ message['content'] }}<|im_end|>
{% endfor %}
{% if add_generation_prompt %}
<|im_start|>assistant
{% endif %}

Per un esempio completo, consulta il modello di GPT-OSS chat su Hugging Face.

JSON Format (chat_template.json)

Un esempio semplificato di modello di JSON-based chat con supporto visivo:

{
    "chat_template": "{% for message in messages %}{% if loop.first and message['role'] != 'system' %}<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n{% endif %}<|im_start|>{{ message['role'] }}\n{% if message['content'] is string %}{{ message['content'] }}<|im_end|>\n{% else %}{% for content in message['content'] %}{% if content['type'] == 'image' %}<|vision_start|><|image_pad|><|vision_end|>{% elif 'text' in content %}{{ content['text'] }}{% endif %}{% endfor %}<|im_end|>\n{% endif %}{% endfor %}{% if add_generation_prompt %}<|im_start|>assistant\n{% endif %}"
}

Per un esempio completo con supporto multimodale, consulta il modello di Qwen2-VL chat su Hugging Face.

Richiamo di modelli con modelli di chat personalizzati

Dopo aver importato un modello con un modello di chat personalizzato, hai due opzioni per richiamare il modello con input conversazionali formattati correttamente:

Utilizzo dell'API OpenAI con messaggi ChatCompletion

Se fornisci input nel formato dello schema dei messaggi, dovresti usare l'API ChatCompletion OpenAI. Quando utilizzi questo formato API con un modello che ha un modello di chat caricato (chat_template.jinjaochat_template.json), Amazon Bedrock convertirà automaticamente i messaggi di input nel formato corretto utilizzando il modello di chat.

Questo è l'approccio consigliato in quanto fornisce l'integrazione più fluida e consente ad Amazon Bedrock di gestire automaticamente l'applicazione del modello di chat.

Esempio: utilizzo dell' ChatCompletion API OpenAI con un modello di chat personalizzato

import json
import boto3

# Initialize Bedrock Runtime client
client = boto3.client('bedrock-runtime', region_name='us-east-1')

# Define the model ARN for your imported model with custom chat template
model_id = 'arn:aws:bedrock:us-east-1:123456789012:imported-model/your-model-id'

# Prepare the request payload using messages format
payload = {
    "messages": [
        {
            "role": "system",
            "content": "You are a helpful assistant."
        },
        {
            "role": "user",
            "content": "Hello, how are you?"
        }
    ],
    "max_tokens": 150,
    "temperature": 0.7
}

# Invoke the model
response = client.invoke_model(
    modelId=model_id,
    body=json.dumps(payload),
    accept='application/json',
    contentType='application/json'
)

# Parse and display the response
response_body = json.loads(response['body'].read())
print(json.dumps(response_body, indent=2))

In questo esempio, Amazon Bedrock applicherà automaticamente il modello di chat personalizzato all'array di messaggi, convertendolo nel formato appropriato per il modello.

Approccio alla tokenizzazione manuale

In alternativa, se preferisci avere il pieno controllo sull'applicazione del modello di chat e sul processo di tokenizzazione, puoi applicare manualmente il modello di chat alla conversazione e quindi utilizzare l'API di completamento (non ChatCompletion) con il testo preformattato.

Questo approccio è utile quando è necessario personalizzare la logica dell'applicazione del modello o quando si lavora con requisiti di tokenizzazione specializzati.

Passaggio 1: applica il modello di chat localmente

Usa il seguente frammento di codice per caricare il tuo modello di chat personalizzato e applicarlo a una conversazione localmente:

from transformers import AutoTokenizer

# Configuration paths - update these with your actual paths
TOKENIZER_PATH = ""  # Path to tokenizer directory

# Load tokenizer with updated chat template
tokenizer = AutoTokenizer.from_pretrained(TOKENIZER_PATH)

# Test chat template with sample conversation
chat_history = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Hello, how are you?"},
]

# Apply chat template and display formatted output to make sure chat template works as expected
formatted_chat = tokenizer.apply_chat_template(chat_history, tokenize=False)
print(formatted_chat)

Questo codice dimostra come:

Fase 2: Invoke with Completion API

Dopo aver applicato il modello di chat localmente, utilizza il testo formattato con l'API Completion:

import json
import boto3

# Initialize Bedrock Runtime client
client = boto3.client('bedrock-runtime', region_name='us-east-1')

# Define the model ARN for your imported model
model_id = 'arn:aws:bedrock:us-east-1:123456789012:imported-model/your-model-id'

# Use the formatted_chat output from Step 1 as the prompt
payload = {
    "prompt": formatted_chat,
    "max_tokens": 150,
    "temperature": 0.7
}

# Invoke the model using Completion format (not ChatCompletion)
response = client.invoke_model(
    modelId=model_id,
    body=json.dumps(payload),
    accept='application/json',
    contentType='application/json'
)

# Parse and display the response
response_body = json.loads(response['body'].read())
print(json.dumps(response_body, indent=2))

Best practice