Lidando com modelos de bate-papo e tokenizadores personalizados - Amazon Bedrock
Importação de modelos com modelos de bate-papo personalizadosInvocando modelos com modelos de bate-papo personalizados

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Lidando com modelos de bate-papo e tokenizadores personalizados

Modelos de bate-papo e tokenizadores personalizados são componentes essenciais para formatar adequadamente as entradas de conversação e gerenciar a geração de tokens em seus modelos importados. O Custom Model Import suporta a importação de modelos com modelos de bate-papo personalizados que definem como as conversas em vários turnos são estruturadas e tokenizadas.

Importação de modelos com modelos de bate-papo personalizados

Ao importar um modelo com modelos de bate-papo personalizados, certifique-se de seguir as melhores práticas descritas na documentação principal de importação de modelos personalizados, incluindo incluir pesos do modelo em formato de tensores seguros e fornecer todos os arquivos de configuração necessários.

Requisitos de formato do modelo de bate-papo

Se seu modelo usa um modelo de bate-papo personalizado e você deseja usar esse modelo com o Amazon Bedrock, você deve incluir o arquivo de modelo de bate-papo em um dos seguintes formatos:

  • chat_template.jinja— Um arquivo de modelo baseado em Jinja2 que define como as mensagens são formatadas.

  • chat_template.json— Um arquivo JSON contendo o modelo de bate-papo como um valor de string.

  • tokenizer_config.jsoncom modelo de bate-papo incorporado — Como alternativa, você pode incluir o modelo de bate-papo diretamente no seu tokenizer_config.json arquivo como um chat_template campo. Por exemplo, veja o Hermes-2-Pro tokenizer_config.json em Hugging Face.

O Custom Model Import processará automaticamente esses arquivos e os incluirá nos diretórios corretos durante o processo de importação.

Precedência do modelo de bate-papo

Se você fornecer várias fontes de modelos de bate-papo, o Amazon Bedrock aplicará as seguintes regras de precedência:

  1. Arquivos de modelo de bate-papo separados têm precedência — Se você incluir um arquivo de modelo de bate-papo separado (chat_template.jinjaouchat_template.json) E um chat_template campo no seutokenizer_config.json, o arquivo separado será usado e o modelo incorporado tokenizer_config.json será ignorado.

  2. Modelo incorporado como substituto — Se você não fornecer um arquivo de modelo de bate-papo separado, o Amazon Bedrock usará o chat_template campo do seu, tokenizer_config.json se estiver presente.

Atenção

Escolha uma abordagem: para evitar confusão e garantir um comportamento previsível, é altamente recomendável usar apenas UMA dessas abordagens:

  • Opção 1: forneça arquivos de modelo de bate-papo separados (chat_template.jinjaouchat_template.json) sem incluir um chat_template campo no seutokenizer_config.json.

  • Opção 2: inclua o chat_template campo diretamente no seu tokenizer_config.json e não forneça arquivos de modelo separados.

Se você tiver modelos de ferramentas personalizados ou configurações complexas de modelos de bate-papo, recomendamos usar a Opção 2 (incorporar o modelotokenizer_config.json), pois ela permite definir vários modelos nomeados (como “default” e “tool_use”) em um único arquivo de configuração.

nota

O arquivo do modelo de bate-papo deve seguir o formato e as convenções de nomenclatura do Hugging Face. Certifique-se de que seu modelo seja compatível com a Transformers biblioteca.

Exemplos de formato de modelo de bate-papo

Aqui estão alguns exemplos dos dois formatos de modelo de bate-papo compatíveis:

Jinja Format (chat_template.jinja)

Um exemplo simplificado de um modelo de bate-papo baseado em Jinja2:

{% 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 %}

Para ver um exemplo completo, veja o modelo de GPT-OSS bate-papo em Hugging Face.

JSON Format (chat_template.json)

Um exemplo simplificado de um modelo de bate-papo baseado em JSON com suporte visual:

{
    "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 %}"
}

Para ver um exemplo completo com suporte multimodal, veja o modelo de Qwen2-VL bate-papo em Hugging Face.
Importante

Certifique-se de que seu arquivo de modelo de bate-papo siga a convenção de nomenclatura (chat_template.jinjaouchat_template.json) e o formato exatos mostrados nos exemplos acima. Modelos formatados incorretamente podem causar falhas de importação ou inferência.

Invocando modelos com modelos de bate-papo personalizados

Depois de importar um modelo com um modelo de bate-papo personalizado, você tem duas opções para invocar o modelo com entradas de conversação formatadas corretamente:

Usando a ChatCompletion API OpenAI com mensagens

Se você estiver fornecendo entradas no formato de esquema de mensagens, você deve usar a API OpenAI. ChatCompletion Quando você usa esse formato de API com um modelo que tem um modelo de bate-papo carregado (chat_template.jinjaouchat_template.json), o Amazon Bedrock converte automaticamente suas mensagens de entrada no formato correto usando o modelo de bate-papo.

Essa é a abordagem recomendada, pois fornece a integração mais perfeita e permite que o Amazon Bedrock gerencie o aplicativo de modelo de bate-papo automaticamente.

Exemplo: usando a ChatCompletion API OpenAI com modelo de bate-papo personalizado

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))

Neste exemplo, o Amazon Bedrock aplicará automaticamente seu modelo de bate-papo personalizado à matriz de mensagens, convertendo-o no formato apropriado para seu modelo.

Abordagem de tokenização manual

Como alternativa, se você preferir ter controle total sobre o aplicativo do modelo de bate-papo e o processo de tokenização, você pode aplicar manualmente o modelo de bate-papo à sua conversa e depois usar a API de conclusão (não ChatCompletion) com o texto pré-formatado.

Essa abordagem é útil quando você precisa personalizar a lógica do aplicativo de modelo ou ao trabalhar com requisitos especializados de tokenização.

Etapa 1: aplicar o modelo de bate-papo localmente

Use o seguinte trecho de código para carregar seu modelo de bate-papo personalizado e aplicá-lo a uma conversa 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)

Esse código demonstra como:

  1. Carregue sua configuração de tokenizador a partir dos arquivos de modelo

  2. Adicione o modelo de bate-papo personalizado à configuração do tokenizer

  3. Aplique o modelo de bate-papo a um histórico de conversas

  4. Gere o texto formatado que pode ser enviado para o modelo

Etapa 2: Invocar com a API de conclusão

Depois de aplicar o modelo de bate-papo localmente, use o texto formatado com a API de conclusão:

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))
Atenção

Sempre use o max_tokens parâmetro: ao usar a API de conclusão com importações de modelos personalizados, sempre use o max_tokens parâmetro para garantir a compatibilidade do esquema de preenchimento do OpenAI. Isso evita qualquer confusão de tradução e garante um comportamento consistente em diferentes implementações de SDK. Não use nomes de parâmetros específicos do modelo, como max_gen_len ou variantes semelhantes.

Importante

Ao usar a abordagem de tokenização manual, você deve usar o formato da API de conclusão (com prompt campo), não o formato da ChatCompletion API (com messages campo). A ChatCompletion API espera mensagens brutas e tentará aplicar o modelo de bate-papo novamente, resultando em uma formatação incorreta.

Práticas recomendadas

  • Use a ChatCompletion API sempre que possível — A ChatCompletion API OpenAI com formato de mensagens fornece a experiência mais perfeita e permite que o Amazon Bedrock gerencie automaticamente o aplicativo de modelo de bate-papo.

  • Valide seu modelo de bate-papo — Antes de importar seu modelo, teste seu modelo de bate-papo localmente usando a Transformers biblioteca para garantir que ele produza o formato de saída esperado.

  • Inclua todos os tokens especiais — Certifique-se de que seu modelo de bate-papo inclua todos os tokens especiais necessários (como beginning-of-sequence end-of-sequence, e marcadores de função) que seu modelo espera.

  • Teste com conversas em vários turnos — confirme se seu modelo de bate-papo lida corretamente com conversas em vários turnos com mensagens alternadas do usuário e do assistente.

  • Considere o suporte visual — Se seu modelo suportar entradas multimodais, certifique-se de que seu modelo de bate-papo inclua lógica para lidar com marcadores de conteúdo de imagem e vídeo.

Atenção

Modelos de bate-papo formatados incorretamente podem resultar em baixo desempenho do modelo, resultados inesperados ou falhas de inferência. Sempre teste seu modelo de chat minuciosamente antes de implantá-lo na produção.