:Contrate e use o serviço de computação de modelos do MaxCompute

Regiões e modelos suportados

• Regiões suportadas: O serviço de computação de modelos está disponível apenas nas seguintes regiões:

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

  • Internacional: Singapore

• Modelos suportados

  Modelo	Tipo	Descrição
  qwen3.8-max	Suporta entrada de dados multimodais	Um modelo Mixture of Experts (MoE) carro-chefe da série Qwen 3.8, com 2,4 trilhões de parâmetros. Apresenta capacidades de programação e produtividade de escritório significativamente aprimoradas e pode programar de forma autônoma por mais de dez dias para entregar projetos completos. Este modelo é ideal para cenários altamente complexos, como programação autônoma, automação avançada de escritório, pesquisa científica e tarefas de longa duração.
  qwen3.7-max	Somente entrada de texto	Um modelo carro-chefe da série Qwen 3.7, com atualizações abrangentes em inferência, geração de código e compreensão multilíngue. É adequado para tarefas altamente complexas.
  qwen3.7-plus	Suporta entrada de dados multimodais	Um modelo equilibrado da série Qwen 3.7, que oferece uma boa relação entre desempenho e custo. É adequado para cenários empresariais, como análise de textos longos e conversas de múltiplas rodadas.
  qwen3.7-flash	Suporta entrada de dados multimodais	Um modelo nativo de visão e linguagem, leve e de alta velocidade, da série Qwen 3.7. Apresenta capacidades aprimoradas de compreensão multimodal e execução de agentes, sendo ideal para serviços online de alta concorrência e baixa latência, além de tarefas multimodais leves.
  qwen3.7-text-embedding	Somente entrada de texto	Este modelo unificado de vetores de texto multilíngue, treinado no Qwen 3.7, oferece melhorias significativas de desempenho em recuperação, clusterização e classificação de textos em comparação com a versão text-embedding-v4.
  qwen3-vl-embedding	Suporta entrada de dados multimodais	Um modelo de incorporação vetorial multimodal do Qwen que aceita representações vetoriais para entradas mistas de imagem e texto. É adequado para cenários de recuperação cross-modal e correspondência entre imagem e texto.
  text-embedding-v4	Somente entrada de texto	Um modelo de incorporação vetorial de texto de alta precisão, adequado para busca semântica, clusterização e cálculo de similaridade.
  qwen3.6-plus	Suporta entrada de dados multimodais	Um modelo equilibrado da série Qwen 3.6, que oferece uma boa relação entre desempenho e custo. É adequado para cenários de negócios gerais, como diálogos, resumos e análises.
  qwen3.6-flash	Suporta entrada de dados multimodais	Um modelo leve e de alta velocidade da série Qwen 3.6. Fornece respostas rápidas a um baixo custo, sendo ideal para serviços online de alta concorrência e baixa latência.
  deepseek-v4-pro	Somente entrada de texto	O modelo de inferência carro-chefe de quarta geração da DeepSeek. Destaca-se em tarefas de alta dificuldade, como matemática, codificação e raciocínio lógico complexo.
  deepseek-v4-flash	Somente entrada de texto	O modelo leve de quarta geração da DeepSeek. Oferece inferência rápida e é altamente econômico, sendo adequado para conversas diárias e tarefas de inferência leves.
  qwen3.5-397b-a17b	Suporta entrada de dados multimodais	Um modelo Mixture of Experts (MoE) da série Qwen 3.5. Apresenta ativação eficiente de parâmetros, uma vasta base de conhecimento e capacidades de raciocínio em múltiplas etapas. Este modelo foi projetado para dedução lógica de alta dificuldade, geração de código full-stack e perguntas e respostas sobre conhecimentos aprofundados.
  qwen3.5-omni-plus	Suporta entrada de dados multimodais	O Qwen3.5-Omni é o mais recente modelo grande omnimodal do Qwen. É adequado para cenários como criação de texto, assistentes de voz e análise multimídia, proporcionando uma experiência de compreensão e interação multimodal natural e fluida.
  qwen3-asr-flash	Suporta entrada de dados multimodais	Um modelo leve de reconhecimento de fala da série Qwen 3. Fornece transcrição em tempo real com baixa latência e alta concorrência, sendo adequado para cenários de processamento de áudio em tempo real, como geração de atas de reuniões, legendas de transmissões ao vivo e reconhecimento de comandos de voz.
  tongyi-embedding-vision-plus	Suporta entrada de dados multimodais	O Tongyi-Embedding-Vision é um modelo de representação multimodal visual construído sobre um modelo de linguagem grande (LLM). É adequado para diversas tarefas downstream, incluindo busca de imagem por imagem, busca de imagem por texto, busca de vídeo por texto, busca de vídeo por vídeo, busca de texto por texto e busca de imagem e texto por texto.
  qwen3-max (Descontinuação em breve)	Somente entrada de texto	Um modelo de linguagem grande de alto desempenho da série Qwen, adequado para inferência complexa e geração de conteúdo. Importante O modelo qwen3-max será descontinuado em breve. Para garantir a continuidade do serviço, migre os serviços relacionados para um novo modelo o mais rápido possível. Para mais informações, consulte Model Decommissioning Policy.

Faturamento

Para obter detalhes, consulte Model Compute Fee (Token Fee).

Antes de começar

Ative o serviço apenas uma vez por região. Após a ativação, o serviço fica disponível por padrão para todos os projetos nessa região.

1. Faça login no console do MaxCompute e selecione uma região no canto superior esquerdo.

2. No painel de navegação à esquerda, escolha Manage Configurations > Quotas.

3. Na página Quotas, clique em New Quota.

   Na página de compra, em Product Type, selecione Model Computing Service.

4. Na página do serviço de computação de modelos do MaxCompute, selecione uma região, aceite o contrato de serviço e ative o serviço.

5. Após a conclusão da compra, retorne ao console. Uma cota de pagamento conforme o uso chamada ai_InferenceQuota aparece na página Quota Management.

Conceder permissões

Por padrão, nenhuma conta (incluindo contas Alibaba Cloud) ou função tem permissão para especificar uma cota no nível do job. Conceda explicitamente as permissões necessárias antes de usar este recurso.

-- 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);