如何在离线环境中加载Sentence Transformers远程源码模型

背景介绍

在使用Sentence Transformers项目时，我们经常会遇到需要加载远程源码模型的情况。这类模型通常依赖于额外的Python代码文件来实现其特殊架构或功能。当工作环境没有互联网连接时，这种依赖关系就会带来挑战。

问题分析

以nomic-ai/nomic-embed-text-v1模型为例，该模型采用了远程源码的方式实现其特殊架构。在离线环境中直接加载会失败，因为系统无法获取到模型依赖的配置文件（如configuration_hf_nomic_bert.py）。这与传统的本地模型（如all-mpnet-base-v2）有明显区别。

解决方案详解

1. 预先下载模型文件

在有网络连接的环境中，首先需要完整下载模型及其所有依赖：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("nomic-ai/nomic-embed-text-v1", trust_remote_code=True)
model.save_pretrained("nomic-embed-text-v1-local")

这一步会创建一个包含模型权重和配置文件的本地目录。

2. 处理模型依赖

关键步骤是处理模型的auto_map配置：

1. 检查生成的config.json文件
2. 查找其中的auto_map字段，该字段定义了模型依赖的外部Python类
3. 手动下载所有被引用的Python文件到本地模型目录

3. 修改配置文件

对于auto_map中形如"{repository}--{file}.{class}"的引用，需要简化为"{file}.{class}"格式。这是因为我们已经将所有依赖文件放在了本地目录中，不再需要从远程仓库加载。

4. 离线加载模型

完成上述准备后，即可在离线环境中加载模型：

embedding_model = SentenceTransformer(
    "nomic-embed-text-v1-local", 
    trust_remote_code=True,
    local_files_only=True,
)

技术细节

trust_remote_code参数在此场景下可能需要保留，因为它允许执行模型自带的Python代码。但在某些情况下，如果所有代码都已本地化，可能可以省略此参数。

最佳实践建议

1. 对于需要离线使用的模型，建议提前在有网络的环境中测试完整的保存和加载流程
2. 建立模型依赖文件的检查清单，确保所有必要文件都已本地化
3. 考虑将处理好的离线模型包进行版本控制，便于团队共享和使用

总结

通过系统性地处理模型依赖关系，我们成功实现了Sentence Transformers远程源码模型在离线环境中的部署。这种方法不仅适用于nomic-ai/nomic-embed-text-v1模型，也可推广到其他类似架构的模型加载场景。