Last Updated on 2024-09-02 by Clay
在將大型語言模型（Large Language Model, LLM）應用於實際場景時，經常不僅僅是讓模型自由發揮、任意生成文句 —— 我們也可能會希望模型返回特定的結構，比方說做選擇題、或是給一個評分。在這樣的情況下，transformers 架構的模型可以直接使用 outlines 這個工具。
最早我是透過同事介紹 vLLM 內部的機制時才知道 Outlines 這項工具的：Outlines 允許我們設定多個候選選項，並從中選擇模型的輸出；除此之外，我們甚至可能指定生成的是整數、浮點數、JSON 格式…… 甚至是要求要符合某個正規表示法（Regular Expression, RE）的文本生成！
能夠精準地控制 LLM 生成的格式，才好進一步將 LLM 佈署於真正應用的場景。
Outlines 的原理
Outlines 利用正規表示法定義了有限狀態機，用來限制模型生成的每一個 Token，也即是說，不符合定義好規則的 Token 不會真正被解碼。我們可以想像一個簡易的情境：
現在我們問模型：這個冰淇淋吃起來怎麼樣？然後只設定兩個候選 Tokens 讓模型選擇：Hot / Cold。
雖然即便模型正常解碼我們會得到：I'm sorry, I am a robot, I can't eat any ice cream! 但是在實際解碼的過程中，即便 I'm 這個 Token 的機率分數是 0.9，而 Hot 跟 Cold 的機率分別是 0.01 和 0.02，但由於只有 Hot 和 Cold 被允許解碼，所以模型只能產生 Cold 這個 Token。
實際應用
首先，我們可以直接透過 Python 安裝 outlines。
pip3 install outlines接著我們可以實際讓模型做做看選擇題：
import outlines
model = outlines.models.transformers("./models/google--gemma-2-2b-it")
prompt = """How does this ice cream taste?"""
generator = outlines.generate.choice(model, ["Hot", "Cold"])
answer = generator(prompt)
print(answer)
Output:
Cold
然後就像剛剛提到的，我們可以自由地操控模型輸出的數字類別：
prompt = "<s>result of 9 + 9 = 18</s><s>result of 1 + 2 = "
answer = outlines.generate.format(model, int)(prompt)
print(answer)
Output:
3
但是如果我們把 int 換成 float：
prompt = "<s>result of 9 + 9 = 18</s><s>result of 1 + 2 = "
answer = outlines.generate.format(model, float)(prompt)
print(answer)
Output:
3.0
馬上就從 3 變成了 3.0！
最後我們再來玩一個好玩的：人物設定。
我們可以透過 pydantic 加上一些限制與約束，比方說名字長度、頭髮顏色選項… 等等。
from enum import Enum
from pydantic import BaseModel, constr
import outlines
class Colors(str, Enum):
red = "red"
brown = "brown"
white = "white"
black = "black"
class Character(BaseModel):
name: constr(max_length=10)
age: int
hair_color: Colors
generator = outlines.generate.json(model, Character)
character = generator("Give me a character description")
print(character)
Output:
name='The Oracle' age=32 hair_color=<Colors.black: 'black'>
話說居然是生成 The Oracle 嗎… 難道是駭客任務（The Matrix）看太多了嗎？不過 32 歲也太年輕了吧。
當然我們可以再修改一下 Prompt，讓其生成我們想要的角色：
generator = outlines.generate.json(model, Character)
character = generator("Give me a superman character description")
print(character)
Output:
總之，這個工具可以應用在各個方面，它也支援像是 OLLAMA、vLLM、llama-cpp 等知名框架，算是整合性非常好的工具了，總覺得它還有許多潛力可以應用在各種服務上呢！
References
- outlines-dev/outlines: Structured Text Generation
- Fast, High-Fidelity LLM Decoding with Regex Constraints