update python bindings

py/llama_cpp/llama.py

@@ -3,7 +3,7 @@ import sys
 import glob
 import ctypes
 
-from ctypes import c_int, c_float, c_double, c_char_p, c_void_p, c_bool, POINTER, Structure
+from ctypes import c_int, c_float, c_double, c_char_p, c_void_p, c_bool, c_size_t, c_ubyte, POINTER, Structure
 
 
 # Load the library
@@ -19,36 +19,58 @@ llama_token_p = POINTER(llama_token)
 
 class llama_token_data(Structure):
     _fields_ = [
-        ('id', llama_token), # token id
+        ('id',   llama_token), # token id
-        ('p', c_float), # probability of the token
+        ('p',    c_float), # probability of the token
         ('plog', c_float), # log probability of the token
     ]
 
 llama_token_data_p = POINTER(llama_token_data)
+
+class llama_token_data_array(Structure):
+    _fields_ = [
+        ('data',   llama_token_data_p),
+        ('size',   c_size_t),
+        ('sorted', c_bool),
+    ]
+
+llama_token_data_array_p = POINTER(llama_token_data_array)
+
 llama_progress_callback = ctypes.CFUNCTYPE(None, c_float, c_void_p)
 class llama_context_params(Structure):
     _fields_ = [
-        ('n_ctx', c_int), # text context
+        ('n_ctx',        c_int),  # text context
-        ('n_parts', c_int), # -1 for default
+        ('n_parts',      c_int),  # -1 for default
-        ('seed', c_int), # RNG seed, 0 for random
+        ('n_gpu_layers', c_int),  # number of layers to store in VRAM
-        ('f16_kv', c_bool), # use fp16 for KV cache
+        ('seed',         c_int),  # RNG seed, 0 for random
-        ('logits_all', c_bool), # the llama_eval() call computes all logits, not just the last one
+        ('f16_kv',       c_bool), # use fp16 for KV cache
-        ('vocab_only', c_bool), # only load the vocabulary, no weights
+        ('logits_all',   c_bool), # the llama_eval() call computes all logits, not just the last one
-        ('use_mmap', c_bool), # use mmap if possible
+        ('vocab_only',   c_bool), # only load the vocabulary, no weights
-        ('use_mlock', c_bool), # force system to keep model in RAM
+        ('use_mmap',     c_bool), # use mmap if possible
-        ('embedding', c_bool), # embedding mode only
+        ('use_mlock',    c_bool), # force system to keep model in RAM
-        ('progress_callback', llama_progress_callback), # called with a progress value between 0 and 1, pass NULL to disable
+        ('embedding',    c_bool), # embedding mode only
-        ('progress_callback_user_data', c_void_p), # context pointer passed to the progress callback
+        ('progress_callback',           llama_progress_callback), # called with a progress value between 0 and 1, pass NULL to disable
+        ('progress_callback_user_data', c_void_p),                # context pointer passed to the progress callback
     ]
 
+
 llama_context_params_p = POINTER(llama_context_params)
 
 llama_context_p = c_void_p
 
+c_size_p = POINTER(c_size_t)
+c_ubyte_p = POINTER(c_ubyte)
+c_float_p = POINTER(c_float)
+
 # C functions
 lib.llama_context_default_params.argtypes = []
 lib.llama_context_default_params.restype = llama_context_params
 
+lib.llama_mmap_supported.argtypes = []
+lib.llama_mmap_supported.restype = c_bool
+
+lib.llama_mlock_supported.argtypes = []
+lib.llama_mlock_supported.restype = c_bool
+
 lib.llama_init_from_file.argtypes = [c_char_p, llama_context_params]
 lib.llama_init_from_file.restype = llama_context_p
 
@@ -58,6 +80,30 @@ lib.llama_free.restype = None
 lib.llama_model_quantize.argtypes = [c_char_p, c_char_p, c_int, c_int]
 lib.llama_model_quantize.restype = c_int
 
+lib.llama_apply_lora_from_file.argtypes = [llama_context_p, c_char_p, c_char_p, c_int]
+lib.llama_apply_lora_from_file.restype = c_int
+
+lib.llama_get_kv_cache_token_count.argtypes = [llama_context_p]
+lib.llama_get_kv_cache_token_count.restype = c_int
+
+lib.llama_set_rng_seed.argtypes = [llama_context_p, c_int]
+lib.llama_set_rng_seed.restype = None
+
+lib.llama_get_state_size.argtypes = [llama_context_p]
+lib.llama_get_state_size.restype = c_size_t
+
+lib.llama_copy_state_data.argtypes = [llama_context_p, c_ubyte_p]
+lib.llama_copy_state_data.restype = c_size_t
+
+lib.llama_set_state_data.argtypes = [llama_context_p, c_ubyte_p]
+lib.llama_set_state_data.restype = c_size_t
+
+lib.llama_load_session_file.argtypes = [llama_context_p, c_char_p, llama_token_p, c_size_t, c_size_p]
+lib.llama_load_session_file.restype = c_bool
+
+lib.llama_save_session_file.argtypes = [llama_context_p, c_char_p, llama_token_p, c_size_t]
+lib.llama_save_session_file.restype = c_bool
+
 lib.llama_eval.argtypes = [llama_context_p, llama_token_p, c_int, c_int, c_int]
 lib.llama_eval.restype = c_int
 
@@ -70,11 +116,14 @@ lib.llama_n_vocab.restype = c_int
 lib.llama_n_ctx.argtypes = [llama_context_p]
 lib.llama_n_ctx.restype = c_int
 
+lib.llama_n_embd.argtypes = [llama_context_p]
+lib.llama_n_embd.restype = c_int
+
 lib.llama_get_logits.argtypes = [llama_context_p]
-lib.llama_get_logits.restype = POINTER(c_float)
+lib.llama_get_logits.restype = c_float_p
 
 lib.llama_get_embeddings.argtypes = [llama_context_p]
-lib.llama_get_embeddings.restype = POINTER(c_float)
+lib.llama_get_embeddings.restype = c_float_p
 
 lib.llama_token_to_str.argtypes = [llama_context_p, llama_token]
 lib.llama_token_to_str.restype = c_char_p
@@ -85,8 +134,44 @@ lib.llama_token_bos.restype = llama_token
 lib.llama_token_eos.argtypes = []
 lib.llama_token_eos.restype = llama_token
 
-lib.llama_sample_top_p_top_k.argtypes = [llama_context_p, llama_token_p, c_int, c_int, c_float, c_float, c_float]
+lib.llama_token_nl.argtypes = []
-lib.llama_sample_top_p_top_k.restype = llama_token
+lib.llama_token_nl.restype = llama_token
+
+lib.llama_sample_repetition_penalty.argtypes = [llama_context_p, llama_token_data_array_p, llama_token_p, c_size_t, c_float]
+lib.llama_sample_repetition_penalty.restype = None
+
+lib.llama_sample_frequency_and_presence_penalties.argtypes = [llama_context_p, llama_token_data_array_p, llama_token_p, c_size_t, c_float, c_float]
+lib.llama_sample_frequency_and_presence_penalties.restype = None
+
+lib.llama_sample_softmax.argtypes = [llama_context_p, llama_token_data_array_p]
+lib.llama_sample_softmax.restype = None
+
+lib.llama_sample_top_k.argtypes = [llama_context_p, llama_token_data_array_p, c_int, c_size_t]
+lib.llama_sample_top_k.restype = None
+
+lib.llama_sample_top_p.argtypes = [llama_context_p, llama_token_data_array_p, c_float, c_size_t]
+lib.llama_sample_top_p.restype = None
+
+lib.llama_sample_tail_free.argtypes = [llama_context_p, llama_token_data_array_p, c_float, c_size_t]
+lib.llama_sample_tail_free.restype = None
+
+lib.llama_sample_typical.argtypes = [llama_context_p, llama_token_data_array_p, c_float, c_size_t]
+lib.llama_sample_typical.restype = None
+
+lib.llama_sample_temperature.argtypes = [llama_context_p, llama_token_data_array_p, c_float]
+lib.llama_sample_temperature.restype = None
+
+lib.llama_sample_token_mirostat.argtypes = [llama_context_p, llama_token_data_array_p, c_float, c_float, c_int, c_float_p]
+lib.llama_sample_token_mirostat.restype = llama_token
+
+lib.llama_sample_token_mirostat_v2.argtypes = [llama_context_p, llama_token_data_array_p, c_float, c_float, c_float_p]
+lib.llama_sample_token_mirostat_v2.restype = llama_token
+
+lib.llama_sample_token_greedy.argtypes = [llama_context_p, llama_token_data_array_p]
+lib.llama_sample_token_greedy.restype = llama_token
+
+lib.llama_sample_token.argtypes = [llama_context_p, llama_token_data_array_p]
+lib.llama_sample_token.restype = llama_token
 
 lib.llama_print_timings.argtypes = [llama_context_p]
 lib.llama_print_timings.restype = None
@@ -97,20 +182,18 @@ lib.llama_reset_timings.restype = None
 lib.llama_print_system_info.argtypes = []
 lib.llama_print_system_info.restype = c_char_p
 
-lib.llama_get_state_size.argtypes = [llama_context_p]
-lib.llama_get_state_size.restype = c_size_t
-
-lib.llama_copy_state_data.argtypes = [llama_context_p, c_ubyte_p]
-lib.llama_copy_state_data.restype = c_size_t
-
-lib.llama_set_state_data.argtypes = [llama_context_p, c_ubyte_p]
-lib.llama_set_state_data.restype = c_size_t
 
 # Python functions
 def llama_context_default_params() -> llama_context_params:
     params = lib.llama_context_default_params()
     return params
 
+def llama_mmap_supported() -> bool:
+    return lib.llama_mmap_supported()
+
+def llama_mlock_supported() -> bool:
+    return lib.llama_mlock_supported()
+
 def llama_init_from_file(path_model: str, params: llama_context_params) -> llama_context_p:
     """Various functions for loading a ggml llama model.
     Allocate (almost) all memory needed for the model.
@@ -125,6 +208,30 @@ def llama_model_quantize(fname_inp: str, fname_out: str, itype: c_int, qk: c_int
     """Returns 0 on success"""
     return lib.llama_model_quantize(fname_inp.encode('utf-8'), fname_out.encode('utf-8'), itype, qk)
 
+def llama_apply_lora_from_file(ctx: llama_context_p, path_lora: str, path_base_model: str, n_threads: c_int) -> c_int:
+    return lib.llama_apply_lora_from_file(ctx, path_lora.encode('utf-8'), path_base_model.encode('utf-8'), n_threads)
+
+def llama_get_kv_cache_token_count(ctx: llama_context_p) -> c_int:
+    return lib.llama_get_kv_cache_token_count(ctx)
+
+def llama_set_rng_seed(ctx: llama_context_p, seed: c_int):
+    return lib.llama_set_rng_seed(ctx, seed)
+
+def llama_get_state_size(ctx: llama_context_p) -> c_size_t:
+    return lib.llama_get_state_size(ctx)
+
+def llama_copy_state_data(ctx: llama_context_p, dst: c_ubyte_p) -> c_size_t:
+    return lib.llama_copy_state_data(ctx, dst)
+
+def llama_set_state_data(ctx: llama_context_p, src: c_ubyte_p) -> c_size_t:
+    return lib.llama_set_state_data(ctx, src)
+
+def llama_load_session_file(ctx: llama_context_p, path_session: str, tokens_out: llama_token_p, n_token_capacity: c_size_t, n_token_count_out: c_size_p) -> c_bool:
+    return lib.llama_load_session_file(ctx, path_session.encode('utf-8'), tokens_out, n_token_capacity, n_token_count_out)
+
+def llama_save_session_file(ctx: llama_context_p, path_session: str, tokens: llama_token_p, n_token_count: c_size_t) -> c_bool:
+    return lib.llama_save_session_file(ctx, path_session.encode('utf-8'), tokens, n_token_count)
+
 def llama_eval(ctx: llama_context_p, tokens: llama_token_p, n_tokens: c_int, n_past: c_int, n_threads: c_int) -> c_int:
     """Run the llama inference to obtain the logits and probabilities for the next token.
     tokens + n_tokens is the provided batch of new tokens to process
@@ -145,7 +252,10 @@ def llama_n_vocab(ctx: llama_context_p) -> c_int:
 def llama_n_ctx(ctx: llama_context_p) -> c_int:
     return lib.llama_n_ctx(ctx)
 
-def llama_get_logits(ctx: llama_context_p):
+def llama_n_embd(ctx: llama_context_p) -> c_int:
+    return lib.llama_n_embd(ctx)
+
+def llama_get_logits(ctx: llama_context_p) -> c_float_p:
     """Token logits obtained from the last call to llama_eval()
     The logits for the last token are stored in the last row
     Can be mutated in order to change the probabilities of the next token
@@ -153,7 +263,7 @@ def llama_get_logits(ctx: llama_context_p):
     Cols: n_vocab"""
     return lib.llama_get_logits(ctx)
 
-def llama_get_embeddings(ctx: llama_context_p):
+def llama_get_embeddings(ctx: llama_context_p) -> c_float_p:
     """Get the embeddings for the input
     shape: [n_embd] (1-dimensional)"""
     return lib.llama_get_embeddings(ctx)
@@ -168,8 +278,44 @@ def llama_token_bos() -> llama_token:
 def llama_token_eos() -> llama_token:
     return lib.llama_token_eos()
 
-def llama_sample_top_p_top_k(ctx: llama_context_p, last_n_tokens_data: llama_token_p, last_n_tokens_size: c_int, top_k: c_int, top_p: c_float, temp: c_float, repeat_penalty: c_float) -> llama_token:
+def llama_token_nl() -> llama_token:
-    return lib.llama_sample_top_p_top_k(ctx, last_n_tokens_data, last_n_tokens_size, top_k, top_p, temp, repeat_penalty)
+    return lib.llama_token_nl()
+
+def llama_sample_repetition_penalty(ctx: llama_context_p, candidates: llama_token_data_array_p, last_tokens: llama_token_p, last_tokens_size: c_size_t, penalty: float):
+    lib.llama_sample_repetition_penalty(ctx, candidates, last_tokens, last_tokens_size, penalty)
+
+def llama_sample_frequency_and_presence_penalties(ctx: llama_context_p, candidates: llama_token_data_array_p, last_tokens: llama_token_p, last_tokens_size: c_size_t, alpha_frequency: float, alpha_presence: float):
+    lib.llama_sample_frequency_and_presence_penalties(ctx, candidates, last_tokens, last_tokens_size, alpha_frequency, alpha_presence)
+
+def llama_sample_softmax(ctx: llama_context_p, candidates: llama_token_data_array_p):
+    lib.llama_sample_softmax(ctx, candidates)
+
+def llama_sample_top_k(ctx: llama_context_p, candidates: llama_token_data_array_p, k: c_int, min_keep: c_size_t):
+    lib.llama_sample_top_k(ctx, candidates, k, min_keep)
+
+def llama_sample_top_p(ctx: llama_context_p, candidates: llama_token_data_array_p, p: float, min_keep: c_size_t):
+    lib.llama_sample_top_p(ctx, candidates, c_float(p), c_size_t(min_keep))
+
+def llama_sample_tail_free(ctx: llama_context_p, candidates: llama_token_data_array_p, z: float, min_keep: c_size_t):
+    lib.llama_sample_tail_free(ctx, candidates, z, min_keep)
+
+def llama_sample_typical(ctx: llama_context_p, candidates: llama_token_data_array_p, p: float, min_keep: c_size_t):
+    lib.llama_sample_typical(ctx, candidates, p, min_keep)
+
+def llama_sample_temperature(ctx: llama_context_p, candidates: llama_token_data_array_p, temp: float):
+    lib.llama_sample_temperature(ctx, candidates, temp)
+
+def llama_sample_token_mirostat(ctx: llama_context_p, candidates: llama_token_data_array_p, tau: float, eta: float, m: c_int, mu: c_float_p) -> llama_token:
+    return lib.llama_sample_token_mirostat(ctx, candidates, tau, eta, m, mu)
+
+def llama_sample_token_mirostat_v2(ctx: llama_context_p, candidates: llama_token_data_array_p, tau: float, eta: float, mu: c_float_p) -> llama_token:
+    return lib.llama_sample_token_mirostat_v2(ctx, candidates, tau, eta, mu)
+
+def llama_sample_token_greedy(ctx: llama_context_p, candidates: llama_token_data_array_p) -> llama_token:
+    return lib.llama_sample_token_greedy(ctx, candidates)
+
+def llama_sample_token(ctx: llama_context_p, candidates: llama_token_data_array_p) -> llama_token:
+    return lib.llama_sample_token(ctx, candidates)
 
 def llama_print_timings(ctx: llama_context_p):
     lib.llama_print_timings(ctx)
@@ -177,15 +323,5 @@ def llama_print_timings(ctx: llama_context_p):
 def llama_reset_timings(ctx: llama_context_p):
     lib.llama_reset_timings(ctx)
 
-def llama_print_system_info() -> str:
+def llama_print_system_info() -> c_char_p:
-    """Print system informaiton"""
+    return lib.llama_print_system_info()
-    return lib.llama_print_system_info().decode('utf-8')
-
-def llama_get_state_size(ctx: llama_context_p) -> c_size_t:
-    return lib.llama_get_state_size(ctx)
-
-def llama_copy_state_data(ctx: llama_context_p, dst: c_ubyte_p) -> c_size_t:
-    return lib.llama_copy_state_data(ctx, dst)
-
-def llama_set_state_data(ctx: llama_context_p, src: c_ubyte_p) -> c_size_t:
-    return lib.llama_set_state_data(ctx, src)