메인 콘텐츠로 건너뛰기
이 예시들은 트레이싱, 평가, 비교를 위해 Weave와 함께 Serverless Inference를 사용하는 방법을 보여줍니다. 각 예시를 따라 하면서 모델 호출을 계측하는 방법을 익히고, 그 동작을 관찰하고, 데이터셋을 기준으로 성능을 측정하고, 모델을 나란히 비교해 보세요. 다음 섹션에서는 기본적인 트레이싱 예시와 더 고급 평가 워크플로를 안내합니다. 두 예시 중 어느 것을 실행하든, 먼저 사전 요구 사항을 완료하세요.

​
기본 예제: Weave로 Llama 3.1 8B 트레이스하기

이 예제에서는 Llama 3.1 8B 모델에 프롬프트를 보내고 Weave로 call을 트레이스하는 방법을 보여줍니다. 트레이싱은 LLM call의 전체 입력과 출력을 캡처하고, 성능을 모니터링하며, Weave UI에서 결과를 분석할 수 있게 해줍니다.
Weave에서 트레이싱에 대해 자세히 알아보세요.
이 예제에서는 다음을 수행합니다:
  • Chat Completion 요청을 수행하는 @weave.op() 데코레이터가 적용된 함수를 정의합니다.
  • Weave가 트레이스를 기록하고 W&B entity 및 프로젝트에 연결합니다.
  • Weave가 함수를 자동으로 트레이스하여 입력, 출력, 지연 시간, 메타데이터를 로깅합니다.
  • 결과는 터미널에 출력되고, 트레이스는 https://wandb.ai의 트레이스 탭에 표시됩니다.
import weave
import openai

# 트레이싱을 위한 Weave 팀 및 프로젝트 설정
weave.init("[YOUR-TEAM]/[YOUR-PROJECT]")

client = openai.OpenAI(
    base_url='https://api.inference.wandb.ai/v1',

    # https://wandb.ai/settings 에서 API 키 생성
    api_key="[YOUR-API-KEY]",

    # 선택 사항: 사용량 추적을 위한 팀 및 프로젝트
    project="wandb/inference-demo",
)

# Weave에서 모델 call 트레이스
@weave.op()
def run_chat():
    response = client.chat.completions.create(
        model="meta-llama/Llama-3.1-8B-Instruct",
        messages=[
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "Tell me a joke."}
        ],
    )
    return response.choices[0].message.content

# 트레이스된 call 실행 및 로깅
output = run_chat()
print(output)
코드를 실행한 후 다음 방법으로 Weave에서 트레이스를 확인할 수 있습니다:
  • 터미널에 출력된 링크를 클릭합니다. 예: https://wandb.ai/[YOUR-TEAM]/[YOUR-PROJECT]/r/call/01977f8f-839d-7dda-b0c2-27292ef0e04g.
  • https://wandb.ai로 이동한 후 트레이스 탭을 선택합니다.
기본 트레이스가 작동하면 개별 call 확인을 넘어서는 더 풍부한 워크플로로 진행할 수 있습니다.

​
고급 예제: Weave 평가 및 리더보드 사용

모델 call을 추적하는 것 외에도 성능을 평가하고 리더보드를 게시할 수 있습니다. 이 예제는 질의응답 데이터셋에서 두 모델을 비교하여 동일한 프롬프트에 대해 Llama 3.1 8B와 DeepSeek-V3가 어떤 성능을 보이는지 보여줍니다. 
import os
import asyncio
import openai
import weave
from weave.flow import leaderboard
from weave.trace.ref_util import get_ref

# 트레이싱을 위한 Weave 팀 및 프로젝트 설정
weave.init("[YOUR-TEAM]/[YOUR-PROJECT]")

dataset = [
    {"input": "What is 2 + 2?", "target": "4"},
    {"input": "Name a primary color.", "target": "red"},
]

@weave.op
def exact_match(target: str, output: str) -> float:
    return float(target.strip().lower() == output.strip().lower())

class WBInferenceModel(weave.Model):
    model: str

    @weave.op
    def predict(self, prompt: str) -> str:
        client = openai.OpenAI(
            base_url="https://api.inference.wandb.ai/v1",
            # https://wandb.ai/settings 에서 API 키를 생성하세요
            api_key="[YOUR-API-KEY]",
            # 선택 사항: 사용량 추적을 위한 팀 및 프로젝트
            project="[YOUR-TEAM]/[YOUR-PROJECT]",
        )
        resp = client.chat.completions.create(
            model=self.model,
            messages=[{"role": "user", "content": prompt}],
        )
        return resp.choices[0].message.content

llama = WBInferenceModel(model="meta-llama/Llama-3.1-8B-Instruct")
deepseek = WBInferenceModel(model="deepseek-ai/DeepSeek-V3-0324")

def preprocess_model_input(example):
    return {"prompt": example["input"]}

evaluation = weave.Evaluation(
    name="QA",
    dataset=dataset,
    scorers=[exact_match],
    preprocess_model_input=preprocess_model_input,
)

async def run_eval():
    await evaluation.evaluate(llama)
    await evaluation.evaluate(deepseek)

asyncio.run(run_eval())

spec = leaderboard.Leaderboard(
    name="Inference Leaderboard",
    description="Compare models on a QA dataset",
    columns=[
        leaderboard.LeaderboardColumn(
            evaluation_object_ref=get_ref(evaluation).uri(),
            scorer_name="exact_match",
            summary_metric_path="mean",
        )
    ],
)

weave.publish(spec)
이 코드를 실행한 후 https://wandb.ai/의 W&B 계정으로 이동한 다음, 다음을 수행하세요.
모델 평가 보기
리더보드 보기
두 예제를 모두 완료하면, 트레이스된 모델 call 세트와 게시된 평가, 그리고 데이터셋의 모델을 비교하는 리더보드를 얻게 됩니다.

​
다음 단계

Serverless Inference를 계속 살펴보려면 다음을 수행하세요:
  • 사용 가능한 모든 방법은 API 레퍼런스를 참고하세요.
  • UI에서 모델을 사용해 보세요.