ChatCerebras

Cerebras 是一家模型提供商，提供开源模型，并强调速度。Cerebras CS-3 系统由 Wafer-Scale Engine-3 (WSE-3) 驱动，代表了新一代 AI 超级计算机，为生成式 AI 训练和推理树立了标准，具有无与伦比的性能和可扩展性。

选择 Cerebras 作为您的推理提供商，您可以

• 为 AI 推理工作负载实现前所未有的速度
• 以高吞吐量进行商业构建
• 通过我们无缝的集群技术轻松扩展您的 AI 工作负载

我们的 CS-3 系统可以快速轻松地集群，以创建世界上最大的 AI 超级计算机，从而轻松部署和运行最大的模型。领先的企业、研究机构和政府已经在使用 Cerebras 解决方案来开发专有模型和训练流行的开源模型。

这将帮助您开始使用 ChatCerebras 聊天模型。有关所有 ChatCerebras 功能和配置的详细文档，请访问 API 参考。

概述

集成详情

类	包	本地	可序列化	PY 支持	包下载量	最新包
ChatCerebras	@langchain/cerebras	❌	❌	✅

模型特性

请参阅下面表格标题中的链接，以获取有关如何使用特定功能的指南。

Tool calling	Structured output	JSON mode	Image input	Audio input	Video input	Token-level streaming	Token usage	Logprobs
✅	✅	✅	❌	❌	❌	✅	✅	❌

设置

要访问 ChatCerebras 模型，您需要创建一个 Cerebras 帐户，获取 API 密钥，并安装 @langchain/cerebras 集成包。

凭证

从 cloud.cerebras.ai 获取 API 密钥，并将其添加到您的环境变量中

export CEREBRAS_API_KEY="your-api-key"

如果您想获得模型调用的自动追踪，您还可以通过取消注释下方内容来设置您的 LangSmith API 密钥

# export LANGSMITH_TRACING="true"
# export LANGSMITH_API_KEY="your-api-key"

安装

LangChain ChatCerebras 集成位于 @langchain/cerebras 包中

提示

有关安装集成包的通用说明，请参阅本节。

npm

npm i @langchain/cerebras @langchain/core

yarn

yarn add @langchain/cerebras @langchain/core

pnpm

pnpm add @langchain/cerebras @langchain/core

实例化

现在我们可以实例化我们的模型对象并生成聊天补全

import { ChatCerebras } from "@langchain/cerebras";

const llm = new ChatCerebras({
  model: "llama-3.3-70b",
  temperature: 0,
  maxTokens: undefined,
  maxRetries: 2,
  // other params...
});

调用

const aiMsg = await llm.invoke([
  {
    role: "system",
    content:
      "You are a helpful assistant that translates English to French. Translate the user sentence.",
  },
  { role: "user", content: "I love programming." },
]);
aiMsg;

AIMessage {
  "id": "run-17c7d62d-67ac-4677-b33a-18298fc85e35",
  "content": "J'adore la programmation.",
  "additional_kwargs": {},
  "response_metadata": {
    "id": "chatcmpl-2d1e2de5-4239-46fb-af2a-6200d89d7dde",
    "created": 1735785598,
    "model": "llama-3.3-70b",
    "system_fingerprint": "fp_2e2a2a083c",
    "object": "chat.completion",
    "time_info": {
      "queue_time": 0.00009063,
      "prompt_time": 0.002163031,
      "completion_time": 0.012339628,
      "total_time": 0.01640915870666504,
      "created": 1735785598
    }
  },
  "tool_calls": [],
  "invalid_tool_calls": [],
  "usage_metadata": {
    "input_tokens": 55,
    "output_tokens": 9,
    "total_tokens": 64
  }
}

console.log(aiMsg.content);

J'adore la programmation.

JSON 调用

const messages = [
  {
    role: "system",
    content:
      "You are a math tutor that handles math exercises and makes output in json in format { result: number }.",
  },
  { role: "user", content: "2 + 2" },
];

const aiInvokeMsg = await llm.invoke(messages, {
  response_format: { type: "json_object" },
});

// if you want not to pass response_format in every invoke, you can bind it to the instance
const llmWithResponseFormat = llm.bind({
  response_format: { type: "json_object" },
});
const aiBindMsg = await llmWithResponseFormat.invoke(messages);

// they are the same
console.log({
  aiInvokeMsgContent: aiInvokeMsg.content,
  aiBindMsg: aiBindMsg.content,
});

{ aiInvokeMsgContent: '{"result":4}', aiBindMsg: '{"result":4}' }

链接

我们可以像这样使用提示模板链接我们的模型

import { ChatPromptTemplate } from "@langchain/core/prompts";

const prompt = ChatPromptTemplate.fromMessages([
  [
    "system",
    "You are a helpful assistant that translates {input_language} to {output_language}.",
  ],
  ["human", "{input}"],
]);

const chain = prompt.pipe(llm);
await chain.invoke({
  input_language: "English",
  output_language: "German",
  input: "I love programming.",
});

AIMessage {
  "id": "run-5c8a9f25-0f57-499b-9c2b-87bd07135feb",
  "content": "Ich liebe das Programmieren.",
  "additional_kwargs": {},
  "response_metadata": {
    "id": "chatcmpl-abd1e9eb-b873-492e-9e30-0d13dfc3a145",
    "created": 1735785607,
    "model": "llama-3.3-70b",
    "system_fingerprint": "fp_2e2a2a083c",
    "object": "chat.completion",
    "time_info": {
      "queue_time": 0.00009499,
      "prompt_time": 0.002095266,
      "completion_time": 0.008807576,
      "total_time": 0.012718439102172852,
      "created": 1735785607
    }
  },
  "tool_calls": [],
  "invalid_tool_calls": [],
  "usage_metadata": {
    "input_tokens": 50,
    "output_tokens": 7,
    "total_tokens": 57
  }
}

API 参考

有关所有 ChatCerebras 功能和配置的详细文档，请访问 API 参考： https://api.js.langchain.com/classes/\_langchain_cerebras.ChatCerebras.html

相关

• 聊天模型 概念指南
• 聊天模型 操作指南