add causal_attn flag to llama_cparams

examples/gritlm/gritlm.cpp

@@ -65,6 +65,7 @@ static std::vector<std::vector<float>> encode(llama_context * ctx, const std::ve
 
         // clear previous kv_cache values (irrelevant for embeddings)
         llama_kv_cache_clear(ctx);
+        llama_set_causal_attn(ctx, false);
 
         // run model
         llama_decode(ctx, batch);
@@ -131,6 +132,9 @@ static std::string generate(llama_context * ctx, const std::string & prompt, boo
 
     const llama_model * mdl = llama_get_model(ctx);
     llama_token eos_token = llama_token_eos(mdl);
+
+    llama_kv_cache_clear(ctx);
+    llama_set_causal_attn(ctx, true);
     llama_batch bat = llama_batch_init(llama_n_batch(ctx), 0, 1);
 
     std::vector<llama_token> inputs = llama_tokenize(mdl, prompt, false, true);
@@ -197,11 +201,8 @@ int main(int argc, char * argv[])
     llama_model * mdl = llama_load_model_from_file(params.model.c_str(), mparams);
 
     // create new context - set to embedding mode
-    llama_context * embd_ctx = llama_new_context_with_model(mdl, cparams);
-    llama_set_embeddings(embd_ctx, true);
-
-    // create new context - default mode is causal
-    llama_context * causal_ctx = llama_new_context_with_model(mdl, cparams);
+    cparams.embeddings = true;
+    llama_context * ctx = llama_new_context_with_model(mdl, cparams);
 
     // ### Embedding/Representation ###
     // samples taken from: https://github.com/ContextualAI/gritlm#basic
@@ -219,8 +220,8 @@ int main(int argc, char * argv[])
         };
 
         // No need to add instruction for retrieval documents
-        std::vector<std::vector<float>> d_rep = encode(embd_ctx, documents, gritlm_instruction(""));
-        std::vector<std::vector<float>> q_rep = encode(embd_ctx, queries, gritlm_instruction(instruction));
+        std::vector<std::vector<float>> d_rep = encode(ctx, documents, gritlm_instruction(""));
+        std::vector<std::vector<float>> q_rep = encode(ctx, queries, gritlm_instruction(instruction));
 
         float cosine_sim_q0_d0 = cosine_similarity(q_rep[0], d_rep[0]);
         float cosine_sim_q0_d1 = cosine_similarity(q_rep[0], d_rep[1]);
@@ -237,12 +238,10 @@ int main(int argc, char * argv[])
     // GritLM models are not finetuned with system prompts, as you can just include system-like instructions together with your user instruction
     {
         const std::string prompt = "<|user|>\nPlease write me a poem about my recent hike of Mt. Fuji at midnight in the style of Shakespeare.\n<|assistant|>\n";
-        std::string response = generate(causal_ctx, prompt, true);
+        std::string response = generate(ctx, prompt, true);
     }
 
-    llama_free(embd_ctx);
-    llama_free(causal_ctx);
-
+    llama_free(ctx);
     llama_free_model(mdl);
     llama_backend_free();
 

llama.cpp

@@ -1683,7 +1683,9 @@ struct llama_cparams {
     float defrag_thold;
 
     bool embeddings;
+    bool causal_attn;
     bool offload_kqv;
+
     enum llama_pooling_type pooling_type;
 
     ggml_backend_sched_eval_callback cb_eval;
@@ -8030,13 +8032,13 @@ static void llama_set_inputs(llama_context & lctx, const llama_batch & batch) {
     }
 
     GGML_ASSERT(
-        (hparams.causal_attn || cparams.embeddings) &&
+        (hparams.causal_attn || !cparams.causal_attn) &&
         "non-causal attention with generative models is not supported"
     );
 
     // NOTE: hparams.causal_attn indicates the model is capable of generation and uses the kv cache.
     // But if cparams.embeddings is set, the attention will be non-causal nonetheless.
-    if (!cparams.embeddings) {
+    if (cparams.causal_attn) {
         const int64_t n_kv     = kv_self.n;
         const int64_t n_tokens = batch.n_tokens;
 
@@ -12181,6 +12183,7 @@ struct llama_context * llama_new_context_with_model(
         cparams.yarn_ext_factor = rope_scaling_type == LLAMA_ROPE_SCALING_TYPE_YARN ? 1.0f : 0.0f;
     }
 
+    cparams.causal_attn = hparams.causal_attn;
     if (cparams.pooling_type == LLAMA_POOLING_TYPE_UNSPECIFIED) {
         if (hparams.pooling_type == LLAMA_POOLING_TYPE_UNSPECIFIED) {
             cparams.pooling_type = LLAMA_POOLING_TYPE_NONE;
@@ -13169,8 +13172,8 @@ void llama_set_abort_callback(struct llama_context * ctx, bool (*abort_callback)
     ctx->abort_callback_data = abort_callback_data;
 }
 
-void llama_set_embeddings(struct llama_context * ctx, bool embeddings) {
-    ctx->cparams.embeddings = embeddings;
+void llama_set_causal_attn(struct llama_context * ctx, bool causal_attn) {
+    ctx->cparams.causal_attn = causal_attn;
 }
 
 struct llama_batch llama_batch_get_one(

llama.h

@@ -643,7 +643,7 @@ extern "C" {
 
     // Set whether to use causal attention or not
     // If set to true, the model will only attend to the past tokens
-    LLAMA_API void llama_set_embeddings(struct llama_context * ctx, bool embeddings);
+    LLAMA_API void llama_set_causal_attn(struct llama_context * ctx, bool causal_attn);
 
     // Set abort callback
     LLAMA_API void llama_set_abort_callback(struct llama_context * ctx, ggml_abort_callback abort_callback, void * abort_callback_data);