Alibaba Cloud Model Studio:API デプロイガイド

Qwen モデルを例に、API（HTTP）呼び出しで Alibaba Cloud Model Studio にモデルをデプロイする一連の手順を説明します。デプロイ、照会、推論、削除、および権限のトラブルシューティングを扱います。

前提条件

• 専用デプロイの概要を読み、対応モデルと基本的なデプロイ手順を理解していることを確認してください。
• API キーを取得し、環境変数としてエクスポートします。

1. モデルのデプロイ

次のコマンドは、ファインチューニング済みカスタムモデル qwen3-8b-ft-202511132025-0260 を使用して、同名の専用サービス qwen3-8b-ft-202511132025-0260 を作成します。

カスタムモデル ID を取得するには、Model Studio コンソールのモデルファインチューニングページで、デプロイするモデルのタスク名をクリックします。続いて出力をクリックし、青色のモデル名をクリックします。表示されたマイモデルページの基本情報でモデル ID を確認できます。

モデル ID を model_name パラメーターに指定し、API でモデルをデプロイします。

curl "https://dashscope-intl.aliyuncs.com/api/v1/deployments" \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "name": "my_qwen_flash",
    "model_name": "qwen-flash-2025-07-28",
    "plan": "ptu",
    "ptu_capacity": {
        "input_tpm": 10000,
	"output_tpm": 1000
    }
}'

curl "https://dashscope-intl.aliyuncs.com/api/v1/deployments" \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "name": "my_qwen_plus",
    "model_name": "qwen-plus-2025-12-01",
    "plan": "mu",
    "deploy_spec": "MU1",
    "enable_thinking": true,
    "capacity": 4,
    "max_context_length": 10000,
    "rpm_limit": 500,
    "tpm_limit": 1000
}'

curl "https://dashscope-intl.aliyuncs.com/api/v1/deployments" \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model_name": "qwen3-8b-ft-202511132025-0260",
    "plan": "lora",
    "capacity": 1,
    "name": "qwen3-8b-ft"
}'

export DASHSCOPE_API_KEY="your-api-key"
# Replace {WorkspaceId} with your workspace ID, ap-southeast-1 with your region (e.g., us-east-1, eu-central-1)
export DASHSCOPE_HTTP_BASE_URL="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1"
# List deployed dedicated services
dashscope deployments list

# Create a dedicated service (--plan required)
# plan options: ptu (PTU reserved resources) / mu (model unit) / lora (LoRA deployment)
dashscope deployments create -m qwen2.5-7b-instruct -s tst -c 1 --plan ptu

コマンドが成功すると、次の結果が返されます（LoRA デプロイの例）。

{
    "request_id": "83b173ab-2b2f-41aa-8c57-b173e8be934e",
    "output":
    {
        "deployed_model": "qwen3-8b-ft-202511132025-0260",
        "gmt_create": "2025-11-20T20:06:46.405",
        "gmt_modified": "2025-11-20T20:06:46.405",
        "status": "PENDING",
        "model_name": "qwen3-8b-ft-202511132025-0260",
        "base_model": "qwen3-8b",
        "workspace_id": "llm-8v*****",
        "charge_type": "post_paid",
        "creator": "16542*****",
        "modifier": "16542*****",
        "plan": "***"
    }
}

deployed_model は専用サービスの一意の ID です。

2. サービス状態の照会

次のコマンドを実行して、特定の専用サービスの詳細を照会します。

curl "https://dashscope-intl.aliyuncs.com/api/v1/deployments/qwen3-8b-ft-202511132025-0260" \
    --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
    --header 'Content-Type: application/json'

コマンドが成功すると、次の結果が返されます。

{
    "request_id": "ca36952d-9136-426e-ab08-68a97ad72719",
    "output":
    {
        "deployed_model": "qwen3-8b-ft-202511132025-0260",
        "gmt_create": "2025-11-20T20:32:08",
        "gmt_modified": "2025-11-20T20:42:25",
        "status": "RUNNING",
        "model_name": "qwen3-8b-ft-202511132025-0260",
        "base_model": "qwen3-8b",
        "base_capacity": 2,
        "capacity": 2,
        "ready_capacity": 2,
        "workspace_id": "llm-8v53etv3hwb8orx1",
        "charge_type": "post_paid",
        "creator": "1654290265984853",
        "modifier": "1654290265984853",
        "plan": "mu",
        "model_unit_spec": "MU1"
    }
}

サービスの状態が RUNNING になると、デプロイは完了です。

3. 推論リクエストの送信

デプロイ済み専用サービスを呼び出す際は、model パラメーターにデプロイ成功後に返されたモデルの code を指定します。専用デプロイコンソールで取得できます。

import os
import dashscope

# 以下はシンガポール (ap-southeast-1) リージョンの設定です。リージョンによって region の値は異なります。
client = dashscope.Client(
    # 環境変数が設定されていない場合は、api_key = "sk-xxx" に置き換えてください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    region="ap-southeast-1",
)

messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Who are you?"},
]
response = client.chat.completions.create(
    model="qwen3-max-xxx-xxx",  # モデルが正常にデプロイされた後に返されるコードに置き換えてください
    messages=messages,
    enable_thinking=False,
)
print(response)

import os
from openai import OpenAI

client = OpenAI(
    # If you have not configured environment variables, replace the next line with your Bailian API Key: api_key="sk-xxx",
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3-max-xxx-xxx",  # Please replace with the code returned after the model is successfully deployed
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Who are you?"},
    ],
    extra_body={"enable_thinking": False},
)
print(completion)

推論パラメーターの整合

Model Studio 推論エンジンのパラメーターのデフォルト値は、ローカルの推論フレームワークと異なる場合があります。vLLM のデフォルト値に合わせるには、API 呼び出し時に次の表を参照してください。SGLang など、他のフレームワークを使用する場合は、それぞれのドキュメントを参照してください。

4. 専用サービスの削除

専用サービスが不要になった場合は、次のコマンドで削除できます。

curl --request DELETE 'https://dashscope-intl.aliyuncs.com/api/v1/deployments/qwen3-8b-ft-202511132025-0260' \
    --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
    --header 'Content-Type: application/json'

コマンドが成功すると、次の結果が返されます。

{
    "request_id": "8f726017-6042-420e-a465-0d366a3aba59",
    "output":
    {
        "deployed_model": "qwen3-8b-ft-202511132025-0260",
        "gmt_create": "2025-11-20T20:32:08",
        "gmt_modified": "2025-11-27T16:35:31.591",
        "status": "DELETING",
        "model_name": "qwen3-8b-ft-202511132025-0260",
        "base_model": "qwen3-8b",
        "base_capacity": 2,
        "capacity": 2,
        "ready_capacity": 2,
        "workspace_id": "llm-8v53etv3hwb8orx1",
        "charge_type": "post_paid",
        "creator": "1654290265984853",
        "modifier": "1654290265984853",
        "plan": "mu",
        "model_unit_spec": "MU1"
    }
}

サービスの削除後は、2. サービス状態の照会の方法では状態を照会できなくなります。

権限のトラブルシューティング

モデルのデプロイ中に権限エラーが発生した場合は、デプロイ方法に応じて次の 2 つの手順で確認します。

コンソールでのデプロイ

1. 「Missing permission for this module」と表示された場合は、業務ワークスペースの権限管理ページで、アカウントにモデルデプロイ - 操作権限があることを確認してください。

   正常に操作できない場合は、組織または IT 管理者に、必要な権限の追加や権限の問題の確認を依頼してください。

2. デプロイ中に「xx business space does not have permission to deploy the xx model」というエラーが発生した場合は、Model Studio のワークスペース管理ページで、該当ワークスペースに対象モデルのデプロイ権限を追加してください。

   API 呼び出しエラー： Workspace xxx does not have deployment privilege for model xxxx.

   

   権限不足が表示された場合は、組織または IT 管理者に、必要な権限の追加または操作の代行を依頼してください。

API でのデプロイ

API でモデルをデプロイする場合は、次の点を確認してください。

1. API キーのワークスペースに、モデルを管理する権限が必要です。Model Studio のワークスペース管理ページで、該当ワークスペースのモデルデプロイ権限を確認してください。

   API 呼び出しエラー： Workspace xxx does not have deployment privilege for model xxxx.

   該当ワークスペースの操作列で、モデル権限とレート制限の設定をクリックします。

   モデル一覧で対象モデルを探し、モデルデプロイ列の権限状態を確認します。未承認の場合は、編集を操作列でクリックして権限を付与します。

   権限不足が表示された場合は、組織または IT 管理者に、必要な権限の追加または操作の代行を依頼してください。

2. API キーを所有する所有者アカウントが、ワークスペースで必要な権限を持っていることを確認します。Model Studio コンソールの左下でワークスペースをクリックし、適切なワークスペースに切り替えます。続いて次のアイコンをクリックします： モデルデプロイの権限設定を確認してください。

   API 呼び出しエラー： Workspace access denied.

   左側のナビゲーションで権限管理をクリックし、ユーザー一覧に API キーの所有者アカウント（種類：プライマリアカウント）が含まれていることを確認します。

   権限不足が表示された場合は、組織または IT 管理者に、必要な権限の追加または操作の代行を依頼してください。

API リファレンス

API 呼び出しの詳細については、API の詳細を参照してください。