Skip to main content
Cerebras 是一家模型提供商，专注于提供强调速度的开源模型。Cerebras CS-3 系统由晶圆级引擎-3 (WSE-3) 驱动，代表了一类新型的 AI 超级计算机，以其无与伦比的性能和可扩展性为生成式 AI 训练和推理树立了标准。 使用 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
  • 利用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，从而简化最大模型的部署和运行。领先的公司、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

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

​
模型功能

有关如何使用特定功能的指南，请参阅下表标题中的链接。
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量对数概率
✅✅❌❌❌✅✅❌

​
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跟踪，也可以通过取消注释以下内容来设置您的 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： 
npm install @langchain/cerebras @langchain/core

​
实例化

现在我们可以实例化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,
    // 其他参数...
})

​
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" } });

// 如果您不想在每次调用时都传递 response_format，可以将其绑定到实例
const llmWithResponseFormat = llm.bind({ response_format: { type: "json_object" } });
const aiBindMsg = await llmWithResponseFormat.invoke(messages);

// 它们是相同的
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，请访问 API 参考。
将这些文档通过 MCP 连接到 Claude、VSCode 等，以获取实时答案。
在 GitHub 上编辑此页面 或 提交问题。