Skip to main content
Cerebras 是一家模型提供商，提供开源模型并强调速度。由 Wafer-Scale Engine-3 (WSE-3) 驱动的 Cerebras CS-3 系统代表了一类新的 AI 超级计算机，为生成式 AI 训练和推理设定了无与伦比的性能和可扩展性标准。 使用 Cerebras 作为你的推理提供商，你可以：
  • 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
  • 利用我们无缝的集群技术轻松扩展你的 AI 工作负载
我们的 CS-3 系统可以快速轻松地集群，创建世界上最大的 AI 超级计算机，使放置和运行最大的模型变得简单。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并训练流行的开源模型。 这将帮助你开始使用 ChatCerebras 聊天模型。有关所有 ChatCerebras 功能和配置的详细文档，请前往 API 参考。

​
概览

​
集成详情

类包可序列化PY 支持下载量版本
ChatCerebras@langchain/cerebras❌✅NPM - DownloadsNPM - Version

​
模型特性

查看下表标题中的链接，了解有关如何使用特定功能的指南。
工具调用结构化输出图像输入音频输入视频输入令牌级流式传输令牌使用对数概率
✅✅❌❌❌✅✅❌

​
设置

要访问 ChatCerebras 模型，你需要创建一个 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 密钥并将其添加到你的环境变量中： 
export CEREBRAS_API_KEY="your-api-key"
如果你想获得模型调用的自动追踪，你也可以通过取消注释下方内容来设置你的 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： 
npm install @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}' }

​
API 参考

有关所有 ChatCerebras 功能和配置的详细文档，请前往 API 参考。
在 GitHub 上编辑此页面 或 提交 issue。
将这些文档连接 到 Claude、VSCode 等，通过 MCP 获取实时解答。