介绍

您好，我是 Snowflake 的销售工程师。我想通过各种帖子与大家分享我的一些经验和实验。在本文中，我将向您展示如何使用 Snowflake 中的 Streamlit 创建应用程序来检查令牌计数并估算 Cortex LLM 的成本。

注：本文仅代表个人观点，不代表Snowflake的观点。

Snowflake (SiS) 中的 Streamlit 是什么？

Streamlit 是一个 Python 库，允许您使用简单的 Python 代码创建 Web UI，无需 HTML/CSS/JavaScript。您可以在应用程序库中查看示例。

Snowflake 中的 Streamlit 使您能够直接在 Snowflake 上开发和运行 Streamlit Web 应用程序。只需一个 Snowflake 帐户即可轻松使用，非常适合将 Snowflake 表数据集成到 Web 应用程序中。

关于 Snowflake 中的 Streamlit（官方 Snowflake 文档）

什么是雪花皮层？

Snowflake Cortex 是 Snowflake 中的一套生成式 AI 功能。 Cortex LLM 允许您使用 SQL 或 Python 中的简单函数调用在 Snowflake 上运行的大型语言模型。

大语言模型 (LLM) 函数 (Snowflake Cortex)（官方 Snowflake 文档）

功能概述

图像

注：图中文字来自芥川龙之介的《蜘蛛丝》。

特征

• 用户可以选择Cortex LLM模型
• 显示用户输入文本的字符和标记计数
• 显示标记与字符的比例
• 根据 Snowflake 信用定价计算预估成本

注：Cortex LLM 定价表 (PDF)

先决条件

• 具有 Cortex LLM 访问权限的 Snowflake 帐户
• snowflake-ml-python 1.1.2 或更高版本

注意：Cortex LLM 区域可用性（官方 Snowflake 文档）

源代码

import streamlit as st
from snowflake.snowpark.context import get_active_session
import snowflake.snowpark.functions as F

# Get current session
session = get_active_session()

# Application title
st.title("Cortex AI Token Count Checker")

# AI settings
st.sidebar.title("AI Settings")
lang_model = st.sidebar.radio("Select the language model you want to use",
                              ("snowflake-arctic", "reka-core", "reka-flash", 
                              "mistral-large2", "mistral-large", "mixtral-8x7b", "mistral-7b", 
                              "llama3.1-405b", "llama3.1-70b", "llama3.1-8b", 
                              "llama3-70b", "llama3-8b", "llama2-70b-chat", 
                              "jamba-instruct", "gemma-7b")
)

# Function to count tokens (using Cortex's token counting function)
def count_tokens(model, text):
    result = session.sql(f"SELECT SNOWFLAKE.CORTEX.COUNT_TOKENS('{model}', '{text}') as token_count").collect()
    return result[0]['TOKEN_COUNT']

# Token count check and cost calculation
st.header("Token Count Check and Cost Calculation")

input_text = st.text_area("Select a language model from the left pane and enter the text you want to check for token count:", height=200)

# Let user input the price per credit
credit_price = st.number_input("Enter the price per Snowflake credit (in dollars):", min_value=0.0, value=2.0, step=0.01)

# Credits per 1M tokens for each model (as of 2024/8/30, mistral-large2 is not supported)
model_credits = {
    "snowflake-arctic": 0.84,
    "reka-core": 5.5,
    "reka-flash": 0.45,
    "mistral-large2": 1.95,
    "mistral-large": 5.1,
    "mixtral-8x7b": 0.22,
    "mistral-7b": 0.12,
    "llama3.1-405b": 3,
    "llama3.1-70b": 1.21,
    "llama3.1-8b": 0.19,
    "llama3-70b": 1.21,
    "llama3-8b": 0.19,
    "llama2-70b-chat": 0.45,
    "jamba-instruct": 0.83,
    "gemma-7b": 0.12
}

if st.button("Calculate Token Count"):
    if input_text:
        # Calculate character count
        char_count = len(input_text)
        st.write(f"Character count of input text: {char_count}")

        if lang_model in model_credits:
            # Calculate token count
            token_count = count_tokens(lang_model, input_text)
            st.write(f"Token count of input text: {token_count}")

            # Ratio of tokens to characters
            ratio = token_count / char_count if char_count > 0 else 0
            st.write(f"Token count / Character count ratio: {ratio:.2f}")

            # Cost calculation
            credits_used = (token_count / 1000000) * model_credits[lang_model]
            cost = credits_used * credit_price

            st.write(f"Credits used: {credits_used:.6f}")
            st.write(f"Estimated cost: ${cost:.6f}")
        else:
            st.warning("The selected model is not supported by Snowflake's token counting feature.")
    else:
        st.warning("Please enter some text.")

结论

这个应用程序可以更轻松地估计 LLM 工作负载的成本，特别是在处理日语等语言时，字符数和标记数之间经常存在差距。希望您觉得有用！

公告

Snowflake 最新消息 X 更新

我正在分享 Snowflake 在 X 上的最新动态。如果您感兴趣，请随时关注！

英文版

Snowflake What's New Bot (英文版)
https://x.com/snow_new_en

日文版

Snowflake What's New Bot（日文版）
https://x.com/snow_new_jp

变更历史记录

(20240914) 初始帖子

日本原创文章

https://zenn.dev/tsubasa_tech/articles/4dd80c91508ec4