Titan起飞
TitanML 通过我们的训练、压缩和推理优化平台，帮助企业构建和部署更好、更小、更便宜、更快的 NLP 模型。
我们的推理服务器，Titan Takeoff，可以在您的硬件上通过一条命令本地部署大型语言模型（LLM）。大多数嵌入模型开箱即用，如果您在使用特定模型时遇到问题，请通过 hello@titanml.co 告诉我们。
使用示例
以下是使用 Titan Takeoff Server 的一些有用示例。在运行这些命令之前，您需要确保在后台启动了 Takeoff Server。有关更多信息，请参阅 启动 Takeoff 的文档页面。
import time
from langchain_community.embeddings import TitanTakeoffEmbed
API 参考：TitanTakeoffEmbed
示例 1
基本用法假设 Takeoff 正在您的机器上使用其默认端口（即 localhost:3000）运行。
embed = TitanTakeoffEmbed()
output = embed.embed_query(
"What is the weather in London in August?", consumer_group="embed"
)
print(output)
示例 2
使用 TitanTakeoffEmbed Python 包装器启动阅读器。如果您在首次启动 Takeoff 时没有创建任何阅读器，或者您想添加另一个阅读器，您可以在初始化 TitanTakeoffEmbed 对象时进行操作。只需将您想要启动的模型列表作为参数 models 传递即可。
您可以使用 embed.query_documents 一次性嵌入多个文档。预期的输入是一个字符串列表，而不是 embed_query 方法所期望的单个字符串。
# Model config for the embedding model, where you can specify the following parameters:
# model_name (str): The name of the model to use
# device: (str): The device to use for inference, cuda or cpu
# consumer_group (str): The consumer group to place the reader into
embedding_model = {
"model_name": "BAAI/bge-large-en-v1.5",
"device": "cpu",
"consumer_group": "embed",
}
embed = TitanTakeoffEmbed(models=[embedding_model])
# The model needs time to spin up, length of time need will depend on the size of model and your network connection speed
time.sleep(60)
prompt = "What is the capital of France?"
# We specified "embed" consumer group so need to send request to the same consumer group so it hits our embedding model and not others
output = embed.embed_query(prompt, consumer_group="embed")
print(output)