探索LLM推理全阶段的JSON格式输出限制方法

一、引言

1.1 JSON结构化输出的意义

对于基于大型语言模型（LLMs）的应用而言，确保输出能直接以结构化的JSON格式呈现，对于提升数据处理的自动化程度、增强系统的互操作性具有重要意义。例如，客户需要对LLM的输出进行信息提取时，若输出是一个JSON格式则会大大方便工程链路上的后处理；例如，LLM在调用工具（或其它智能体）时，需要按照工具要求传入正确的参数，若能保证LLM的输出是结构化的JSON，则能保证传参正确，从而正确调用工具。

然而，在实践中，即使我们在提示词中反复告诉模型要输出JSON结构，LLM还是偶尔出错。虽然“偶尔”出错的概率很低，但对于工程链路的设计来说，是致命且麻烦的。

1.2 LLM为何不能严格输出JSON

LLM在推理时，基于已经输出的句子，从词汇表中预测下一个词。预测时，为词汇表中的每个词分配一个概率，通过采样得到预测输出，如图1所示。例如，模型在输出"My name is"后，仅有0.62的概率输出自己的名字"Tang"，即使我们在提示词中告诉了模型自己的名字是"Tang"，模型也有0.38的概率输出别的名字。

因此，这个依概率采样的推理过程决定了LLM不可能100%按要求输出JSON格式。错误的JSON输出导致了我们在工程链路上无法作后续的解析，因此，能100%严格限制JSON格式输出的方法非常重要。

1.3 友商方案

• OpenAI JSON Mode

推出于2023年12月份，基于提示词优化，用户仍需要在提示词中给出JSON示例，不能保证严格100%输出JSON。

• Kimi JSON Mode

近期推出。类似OpenAI的 JSON Mode，用户仍需要在提示词中给出JSON示例，不能保证严格100%输出JSON。

• OpenAI Structured Outputs

推出于2024年8月份，根据用户给出的JSON示例，严格保证100%输出JSON格式。

https://openai.com/index/introducing-structured-outputs-in-the-api/

二、前中后三阶段的优化策略

Motivation: 在一个基于通义千问的AI教评项目场景中，JSON格式输出对客户十分重要。因此，我们在该项目实践中由浅入深，从LLM推理的前、中、后三个阶段探索了限制输出JSON格式的方法。其中，“推理前”和“推理后”这两个阶段的方法用在了项目实践中，大大提高了AI教评任务中JSON格式的输出概率。为了进一步研究如何100%输出JSON格式，我们借他山之石，研究了OpenAI的Structured Outputs方法，在“推理中”这一阶段探索并验证了基于动态限制解码的100%输出JSON格式方法。

在分析相关工作基础上，我们将深入讨论每阶段的方法、优劣及其实现方式，以期帮助读者掌握提升JSON输出概率的办法，并应用在实践中。

2.1 推理“前”：Prompt Engineering

(以下提示词来自大量项目实践验证)

在提示词中加入这句话“The JSON object：json”可提高JSON输出概率。（别问，问就是大量实践总结的经验~）

在提示词中给出"##输出格式规范"，并给出JSON示例```json ... ```

## 输出格式规范：
```json
[{
  "name":"<评价维度>",
  "mentions":"< 提及次数 >",
  "references":[{
    "time":"<发言时间>",
    "text":"<原文内容>"}]}]
```

The JSON object：json

【实践】

在利用Qwen-long作AI教评的一个项目中，我们需要从教师的课堂录音文本中提取结构化的教学维度信息。采用本节中的prompt加上2.3中的JSON后处理方法后，输出样本基本是符合预期的结构化JSON。JSON正确概率从50%左右上升到了95%。可见仅靠prompt和后处理，已经能以很高的概率使得大模型按照JSON格式输出。然而，在一些需要严谨输出JSON格式的场景，100%严格输出JSON格式的方法仍值得研究。

【优势】

实施简便，无需模型架构调整，可以大幅提高输出JSON的概率。

【不足】

高度依赖于人工设计的prompt，灵活性受限。不能100%输出JSON

2.2 推理“中”：基于动态限制解码实现100%输出JSON

【原理】

LLM依据已输出的词，从词汇表中预测下一个词，可以在词汇表中将不符合JSON规范的词概率置零，从而防止输出不符合JSON规范。（原理偏复杂，可跳过本节直接看结论）。假设我们想让LLM的输出为一个城市的如下信息：

city_info_schema=[{
  "name":"城市名",
  "country":"城市所属国家",
  "latitude":"城市纬度",
  "population":"城市人口(千万)",
  "top 3 landmarks":["知名景点1","知名景点2","知名景点3"]
}]

如上代码块所示，在内存中定义JSON输出的模式city_info_schema。LLM每轮逐个单词输出"response"，对于JSON的"key"值，如"name"，我们直接从内存拼接到输出字符串"response_str"中；对于JSON的"value"，则让LLM通过推理产生。当用户提出问题“请填写杭州的城市信息”后，动态限制解码流程如下：

上图展示了动态限制解码的工作流程，每一轮推理过程我们给定了JSON的“键”，仅让模型推理“值”。可以进一步用正则式（Python re库）限制我们想要的输出格式：

city_regex = (
    r"""\{\n"""
    + r"""  "name": "[\w\d\s]{1,16}",\n"""
    + r"""  "country": "[\w\d\s]{1,16}",\n"""
    + r"""  "latitude": [-+]?[0-9]*\.?[0-9]{0,2},\n"""
    + r"""  "population": [-+]?[0-9]{1,9},\n"""
    + r"""  "top 3 landmarks": \["[\w\d\s]{1,16}", "[\w\d\s]{1,16}", "[\w\d\s]{1,16}"\]\n"""
    + r"""\}"""
)

在推理过程中，根据正则式限制输出格式的流程如下：

如第一个键"key"对应的"name"，我们用正则式限制其必须输出16个字以内的英文，则"杭"的概率由于不符合正则式要求，预测概率置零，模型一定会按照我们的要求输出。

由于动态限制解码技术需要我们有冻结模型解码过程、改变词汇表采样概率、改变模型输入的权限，目前在线的API接口。

不支持编写动态限制解码算法。但是可以在本地部署模型以实现动态限制解码。

【实践】

在PAI平台的免费体验DSW（NVIDIA A10）上本地部署Qwen2-7B-Instruct实现动态限制解码。基于开源的sglang库，可快速部署动态限制解码算法。

pip install --upgrade pip
pip install "sglang[all]"
# Install FlashInfer CUDA kernels
wget "https://modelscope.oss-cn-beijing.aliyuncs.com/resource/flashinfer-0.1.2%2Bcu121torch2.3-cp310-cp310-linux_x86_64.whl"
pip install flashinfer-0.1.2+cu121torch2.3-cp310-cp310-linux_x86_64.whl

modelscope download --model=qwen/Qwen2-7B-Instruct --local_dir ./Qwen2-7B-Instruct

python3 -m sglang.launch_server --model-path Qwen2-7B-Instruct --port 30000

显示上图即部署成功。

###导入库
import json
import time
from sglang import set_default_backend, RuntimeEndpoint
import sglang as sgl
from sglang.test.test_utils import (
    add_common_sglang_args_and_parse,
    select_sglang_backend,
)
from sglang.utils import dump_state_text, read_jsonl
##定义“限制模型输出的正则式”
city_regex = (
    r"""\{\n"""
    + r"""  "name": "[\w\d\s]{1,16}",\n"""
    + r"""  "country": "[\w\d\s]{1,16}",\n"""
    + r"""  "latitude": [-+]?[0-9]*\.?[0-9]{0,2},\n"""
    + r"""  "population": [-+]?[0-9]{1,9},\n"""
    + r"""  "top 3 landmarks": \["[\w\d\s]{1,16}", "[\w\d\s]{1,16}", "[\w\d\s]{1,16}"\]\n"""
    + r"""\}"""
)
## 将正则式应用在输出范式中
@sgl.function
def chat_example(s,question):
    s += sgl.system("You are a helpful assistant.")
    # Same as: s += s.system("You are a helpful assistant.")

    with s.user():
        s += question

    s += sgl.assistant_begin()
    s += "Answer: " + sgl.gen("json_output", max_tokens=256, regex=city_regex)
    s += sgl.assistant_end()
## 设置Qwen2的本地通信端口，上图设置为port30000
set_default_backend(RuntimeEndpoint("http://localhost:30000"))
## 捕捉用户输入
state = chat_example.run(
    question=input("请输入城市名："),
    # temperature=0.1,
    stream=True
)
## 打印必然的JSON输出结果
for out in state.text_iter():
    print(out, end="", flush=True)

运行效果：试输入“杭州”和“纽约”两个城市。输出严格按照了正则式的限制。

【优势】

• 100%严格输出JSON格式，甚至是任意正则式可以定义的格式。

• 在输出的JSON中，节省了输出"key"值的token：因为"key"值是内存中定义好的，不需要由LLM推理而得。因此，相对于prompt的方式让模型输出全JSON的方式，节省了输出的token数量。（这也是为什么OpenAI的JSON 模式每token价格有30%的折扣的原因）

【不足】

• 必须本地部署LLM。
  

2.3 推理“后”：JSON数据后处理

在模型返回response后，也可以利用后处理的技术，校正JSON结构以提高JSON输出的概率。

• JSON Repair库

Python 的json_repair库，可以解决一部分模型输出JSON格式不规范的问题。

from json_repair import loads #pip install json_repair
import json

if __name__ == '__main__':
    
    bad_string= '''
[
            {
                "foo": "Foo bar baz",
                "tag": "foo-bar-baz"
            },
            {
                "中文": "foo bar foobar foo bar baz.",
                "标签": "foo-bar-foobar"
            }
        ]
'''
    
    parsed_json = loads(bad_string)
    json_str = json.dumps(parsed_json,ensure_ascii=False)
    print(json_str)

经实践验证，json_repair可以解决输出的JSON中缺少"},],"的问题。

• 随机种子控制：可改变LLM推理的seed, 在不同的seed下输出以减少出错概率。

三、总结与展望

以上介绍的三种类型的方法，可以同时使用，但需要注意不同的场景限制：

【前、中、后三阶段方法总结】

【彩蛋】

qwen-max-0919、qwen-max-latest、qwen-plus、qwen-plus-0919、qwen-plus-latest、qwen-turbo-0919、qwen-turbo-latest以及qwen2.5系列模型已支持结构化输出JSON。（设置response_format = { "type": "json_object" } ）

来源  |  阿里云开发者公众号
作者  |  唐殊