:Adquisición y uso del servicio de cómputo de modelos de MaxCompute

Regiones y modelos compatibles

• Regiones compatibles: El servicio de cómputo de modelos está disponible únicamente en las siguientes regiones.

  • China continental: China (Beijing), China (Shanghai), China (Hangzhou), China (Shenzhen), China (Ulanqab)

  • Internacional: Singapore

• Modelos compatibles

  Modelo	Tipo	Descripción
  qwen3.8-max	Admite entrada de datos multimodales	Modelo insignia Mixture of Experts (MoE) de la serie Qwen 3.8 con 2.4 billones de parámetros. Ofrece capacidades significativamente mejoradas de programación y productividad ofimática, y puede programar de forma autónoma durante más de diez días para entregar proyectos completos. Este modelo es ideal para escenarios de alta complejidad como programación autónoma, automatización avanzada de oficina, investigación científica y tareas de larga duración.
  qwen3.7-max	Solo entrada de texto	Modelo insignia de la serie Qwen 3.7 que incluye mejoras integrales en inference, generación de código y comprensión multilingüe. Es adecuado para tareas de alta complejidad.
  qwen3.7-plus	Admite entrada de datos multimodales	Modelo equilibrado de la serie Qwen 3.7 que ofrece una buena relación entre rendimiento y costo. Resulta adecuado para escenarios empresariales como análisis de textos largos y conversaciones de múltiples turnos.
  qwen3.7-flash	Admite entrada de datos multimodales	Modelo nativo de visión y lenguaje, ligero y de alta velocidad, perteneciente a la serie Qwen 3.7. Cuenta con capacidades mejoradas de comprensión multimodal y ejecución de agentes, lo que lo hace ideal para servicios en línea de alta concurrencia y baja latencia, así como para tareas multimodales ligeras.
  qwen3.7-text-embedding	Solo entrada de texto	Este modelo unificado de vectores de texto multilingüe, entrenado en Qwen 3.7, ofrece mejoras significativas de rendimiento en recuperación de texto, agrupación y clasificación en comparación con la versión text-embedding-v4.
  qwen3-vl-embedding	Admite entrada de datos multimodales	Modelo de embedding vectorial multimodal de Qwen que admite representaciones vectoriales para entradas mixtas de imagen y texto. Es adecuado para escenarios de recuperación cruzada entre modalidades y coincidencia de imagen y texto.
  text-embedding-v4	Solo entrada de texto	Modelo de embedding vectorial de texto de alta precisión, adecuado para búsqueda semántica, agrupación y cálculo de similitud.
  qwen3.6-plus	Admite entrada de datos multimodales	Modelo equilibrado de la serie Qwen 3.6 que ofrece una buena relación entre rendimiento y costo. Es adecuado para escenarios comerciales generales como diálogo, resumen y análisis.
  qwen3.6-flash	Admite entrada de datos multimodales	Modelo ligero y de alta velocidad de la serie Qwen 3.6. Proporciona respuestas rápidas a un bajo costo, por lo que resulta ideal para servicios en línea de alta concurrencia y baja latencia.
  deepseek-v4-pro	Solo entrada de texto	Modelo de inference insignia de cuarta generación de DeepSeek. Destaca en tareas de alta dificultad como matemáticas, codificación y razonamiento lógico complejo.
  deepseek-v4-flash	Solo entrada de texto	Modelo ligero de cuarta generación de DeepSeek. Ofrece una inference rápida y una excelente relación costo-beneficio, lo que lo hace adecuado para conversaciones cotidianas y tareas de inference ligeras.
  qwen3.5-397b-a17b	Admite entrada de datos multimodales	Modelo Mixture of Experts (MoE) de la serie Qwen 3.5. Cuenta con activación eficiente de parámetros, una amplia base de conocimientos y capacidades de razonamiento en múltiples pasos. Este modelo está diseñado para deducción lógica de alta dificultad, generación de código full-stack y preguntas y respuestas basadas en conocimiento profundo.
  qwen3.5-omni-plus	Admite entrada de datos multimodales	Qwen3.5-Omni es el modelo grande omni-modal más reciente de Qwen. Es adecuado para escenarios como creación de texto, asistentes de voz y análisis multimedia, ya que proporciona una experiencia de comprensión e interacción multimodal natural y fluida.
  qwen3-asr-flash	Admite entrada de datos multimodales	Modelo ligero de reconocimiento de voz de la serie Qwen 3. Proporciona transcripción en tiempo real con baja latencia y alta concurrencia, lo que lo hace adecuado para escenarios de procesamiento de audio en tiempo real como generación de minutas de reuniones, subtítulos para streaming en vivo y reconocimiento de comandos de voz.
  tongyi-embedding-vision-plus	Admite entrada de datos multimodales	Tongyi-Embedding-Vision es un modelo de representación multimodal visual construido sobre un modelo grande de lenguaje (LLM). Es adecuado para diversas tareas posteriores, incluidas búsquedas de imagen a imagen, de texto a imagen, de texto a video, de video a video, de texto a texto, y de texto a imagen y texto.
  qwen3-max (Próxima retirada)	Solo entrada de texto	Modelo grande de lenguaje de alto rendimiento de la serie Qwen, adecuado para inference compleja y generación de contenido. Importante El modelo qwen3-max se retirará próximamente. Para garantizar la continuidad del servicio, migre sus servicios relacionados a un nuevo modelo lo antes posible. Para obtener más información, consulte Model Decommissioning Policy.

Facturación

Para obtener más detalles, consulte Model Compute Fee (Token Fee).

Antes de empezar

Solo necesita activar el servicio una vez por región. Después de la activación, el servicio estará disponible de forma predeterminada para todos los proyectos en esa región.

1. Inicie sesión en la consola de MaxCompute y seleccione una región en la esquina superior izquierda.

2. En el panel de navegación izquierdo, vaya a Manage Configurations > Quotas .

3. En la página Quotas, haga clic en New Quota.

   En la página de compra, en Product Type, seleccione Servicio de cómputo de modelos.

4. En la página del servicio de cómputo de modelos de MaxCompute, seleccione una región, acepte el acuerdo de servicio y active el servicio.

5. Una vez completada la compra, regrese a la consola. Aparecerá una cuota pay-as-you-go llamada ai_InferenceQuota en la página de gestión de cuotas.

Otorgar permisos

De forma predeterminada, ninguna cuenta (incluidas las cuentas de Alibaba Cloud) ni rol tiene permiso para especificar una cuota a nivel de trabajo. Debe otorgar explícitamente los permisos necesarios antes de poder utilizar esta función.

-- Add the Alibaba Cloud account to the tenant and grant a tenant role to the account.
ADD TENANT USER <Aliyun$xxxx>;
GRANT TENANT ROLE <role_name> TO USER <Aliyun$xxxx>;

-- View the permissions of a tenant role or user.
SHOW GRANTS FOR TENANT ROLE <role_name>;
SHOW GRANTS FOR TENANT USER <user_name>;
SHOW PRINCIPALS FOR TENANT [ROLE] <role_name>;

Uso

import os

import pandas as pd
import maxframe.dataframe as md
from maxframe import new_session
from maxframe.config import options
from maxframe.learn.contrib.llm import ImageContentType
from maxframe.learn.utils import read_odps_model
from odps import ODPS

# Configure the execution engine: DPE first.
options.dag.settings = {
    "engine_order": ["DPE", "MCSQL"],
}

# 1. Create an ODPS connection.
o = ODPS(
    os.getenv("ALIBABA_CLOUD_ACCESS_KEY_ID"),
    os.getenv("ALIBABA_CLOUD_ACCESS_KEY_SECRET"),
    project="<your-project-name>",
    endpoint="<your-endpoint>",  # Example: https://service.cn-shanghai.maxcompute.aliyun.com/api
)

# 2. Configure the engine and create a session.
# Model Studio VL model inference runs on the DPE engine and is billed by token consumption.
# No CU/GU resource provisioning is required.

# Create a MaxFrame session.
session = new_session(o)
print(f"Session ID: {session.session_id}")
print(f"Logview: {session.get_logview_address()}")

## 3. Load the Model Studio VL model.
# Load the pre-registered multimodal understanding model from the MaxCompute public model set.
image_llm = read_odps_model(
    "qwen3.6-plus", project="bigdata_public_modelset", odps_entry=o
)

## 4. Prepare OSS image data.
# Use the `oss:////` format and pass OSS access credentials through `storage_options`.
# OSS configuration.
OSS_ENDPOINT = "oss-cn-shanghai-internal.aliyuncs.com"  # Replace with your OSS Endpoint.
OSS_BUCKET = "your-bucket"                              # Replace with your Bucket name.
OSS_PREFIX = "images"                                   # Replace with the image path prefix.

storage_options = {
    "access_key_id": os.getenv("OSS_ACCESS_KEY_ID"),
    "access_key_secret": os.getenv("OSS_ACCESS_KEY_SECRET"),
}

# Construct the list of image URLs.
image_urls = [
    f"oss://{OSS_ENDPOINT}/{OSS_BUCKET}/{OSS_PREFIX}/image{i}.jpg"
    for i in range(1, 9)
]

df = md.DataFrame({"image_url": image_urls})
df.execute()

## 5. Call the VL model for image understanding.
# Use the `generate()` interface to pass a text prompt and OSS images to the model.

cp = image_llm.content_part

result_df = image_llm.generate(
    df,
    messages=[
        {
            "role": "user",
            "content": [
                cp.text("Describe this image in one sentence."),
                cp.image(
                    data=df.image_url,
                    type=ImageContentType.IMAGE_URL,
                    storage_options=storage_options,
                ),
            ],
        }
    ],
    simple_output=True,
    params={"max_tokens": 128},
)

## 6. Run inference and view the results.
# MaxFrame uses lazy execution. Call `.execute()` to trigger the actual computation.
result = result_df.execute()
print(result)

## 7. Clean up resources.
session.destroy()
print("Session destroyed.")

SET odps.namespace.schema=true;

SELECT 
    prompt,
    AI_GENERATE(
        bigdata_public_modelset.default.`qwen3.7-max`,
        DEFAULT_VERSION,
        concat('Perform sentiment classification for the following review. The output must be exactly one of the following three options: Positive, Negative, Neutral. Review:', prompt)
    ) AS generated_text
FROM (
    VALUES 
        ('The weather is great today, and I''m in a good mood! It''s sunny and perfect for a walk.'),
        ('The weather is great today, and I''m in a good mood! It''s sunny.'),
        ('Technology is advancing rapidly, and AI is changing our lives.'),
        ('The prevention and control measures are excellent. Kudos to the healthcare workers!'),
        ('The quality of this product is very poor.')
) t (prompt);