本文介紹如何在 Flink 中使用 ML_PREDICT 函數調用 AI 模型,涵蓋文法與入參說明、調用級參數、內容類型配置、列級參數設定,以及文本、圖片、多模態等多種調用樣本。
快速開始
前提條件
已建立 Flink 工作空間,詳情請參見開通Realtime ComputeFlink版。
已開通 Flink AI 服務,詳情請參見Flink AI服務(內建模型)。
使用 Flink AI 服務(內建模型)時,需使用 VVR 11.7 及以上版本引擎。
以下樣本示範如何使用 ML_PREDICT 調用 Flink 內建模型。請在頁面,新增作業、複製代碼後點擊調試。
CREATE TEMPORARY TABLE text_source (
user_input STRING
) WITH ('connector' = 'datagen');
CREATE TEMPORARY TABLE result_sink (
user_input STRING,
ai_analysis STRING
) WITH ('connector' = 'print');
CREATE TEMPORARY MODEL text_model
INPUT (user_input STRING)
OUTPUT (content STRING)
WITH (
'provider' = 'openai-compat',
'model' = 'qwen3.6-flash',
'task' = 'chat/completions',
'system-prompt' = '分析內容亂碼程度,給0-100的評分'
);
INSERT INTO result_sink
SELECT user_input, content as ai_analysis FROM
ML_PREDICT(
TABLE text_source,
MODEL text_model,
DESCRIPTOR(user_input)
);使用限制
僅Realtime Compute引擎 VVR 11.1 及以上版本支援。
部分參數僅在使用 Flink AI 服務(內建模型)時支援,僅支援 VVR 11.8及以上版本。
ML_PREDICT 運算元的輸送量受百鍊平台限流限制。觸及資料傳輸量上限時,作業會出現以 ML_PREDICT 運算元為瓶頸的反壓現象,嚴重時可能觸發逾時報錯及作業重啟。詳情參見百鍊平台限流。
content-types中的類型數量及 Descriptor 中的列數,必須與 CREATE MODEL 中 INPUT 的列數一致。image_url類型的列必須為 STRING,multi_image_urls類型的列必須為ARRAY<STRING>。base64 圖片必須包含
data:image/<格式>;base64,首碼,不支援純 base64 字串和本地檔案路徑。
文法
ML_PREDICT(TABLE <table_name>, MODEL <model_name>, DESCRIPTOR(<input_columns>) [, CONFIG => MAP[...]]) 入參
參數 | 資料類型 | 說明 |
TABLE | TABLE | 模型推斷的輸入資料流,可以是物理表名或視圖名。 |
MODEL | MODEL | 登入的模型服務名稱。詳情參見模型設定。 |
DESCRIPTOR() | — | 用於模型推斷的輸入列。 說明 VVR 11.8 及以上版本支援輸入多列,且僅在使用 Flink AI 服務(內建模型)時支援。強制要求 DESCRIPTOR 列數 = CREATE MODEL INPUT 列數。 |
CONFIG => MAP[...] | MAP | 可選。詳情參見調用級參數。 說明 僅VVR 11.8 及以上版本支援,且使用 Flink AI 服務(內建模型)。 |
調用級參數
使用者可以在使用 ML_PREDICT 時指定調用級參數。若 CREATE MODEL 中已設定參數值,則調用 ML_PREDICT 時以新指定的參數為準,但不會持久化改寫 MODEL 中的參數值。
參數 | 說明 | 樣本 |
| 指定使用者提示詞。傳Null 字元串時則不使用MODEL 級參數值。 |
|
| 僅輸入單列時,指定內容類型。 |
|
| 輸入多列時,指定內容類型。 |
|
| 指定列級參數。 |
|
| 指定附加參數(JSON 字串)。 |
|
| Bundle 大小。 | 說明 Bundle 處理僅支援 VVR 11.9 及以上版本。 |
| Bundle 允許的延遲時間。 |
內容類型參數
僅輸入單列時,可通過
content-type指定內容類型,支援的值:text、image_url。輸入多列時,可通過
content-types指定每列內容類型,支援的值和 Flink SQL 列類型的映射關係:
content-types 內容類型 | Flink SQL 類型 | 說明 |
|
| - |
|
| - |
|
| VVR 11.9 及以上版本支援 |
|
| VVR 11.9 及以上版本支援 |
|
| VVR 11.8 及以上版本支援 |
|
| VVR 11.9 及以上版本支援 |
|
| VVR 11.9 及以上版本支援 |
請在參數中優先指定
content-types,若同時設定content-type和content-types架構會報錯提示。注意:content-type和content-types在模型參數中設定和調用時設定是相互影響的:
建立模型時指定參數 | 調用級參數可使用 | 調用級參數不可使用 | 說明 |
|
|
| 可在 |
|
|
| 可改變類型組合,如 |
未指定 |
| — | 同上 |
列級參數
參數 | 說明 | 參數值 | 樣本 |
| 設定輸入映像或視訊框架的最小像素閾值。當輸入映像或視訊框架的像素小於 |
|
|
| 設定輸入映像或視訊框架的最大像素閾值。當輸入映像或視頻的像素在 |
|
|
| 限制從視頻中抽取的所有幀的總像素(單幀映像像素 × 總幀數)。如果視頻總像素超過此限制,系統將對視訊框架進行縮放,但仍會確保單幀映像的像素值在 |
|
|
| 用於開啟顯式緩衝。 |
|
|
| 使用者佈建視頻理解的抽幀頻率 | 取值範圍為 [0.1, 10],預設值為 2.0 |
|
Bundle 處理
處理方式:Bundle 處理會先將多條輸入資料彙總成一個批次,再統一調用 AI 模型。這種處理方式可以減少模型調用次數,但會增加單次請求的模型推理時間,在資料被有效彙總時能明顯提升運算元輸送量。
參數說明:
bundle-size用於指定單個批次最多積累的資料條數;bundle-allow-latency用於指定批次未達到bundle-size時允許等待的最長時間。達到批次大小或等待時間長度任一條件時觸發處理。支援條件:(僅支援內建模型)Bundle 處理按模型的輸入輸出形態生效。
文本產生:模型任務類型為
chat/completions時,輸入恰好一列STRING文本列,輸出恰好一列STRING或VARIANT列。多列輸入以及圖片、視頻、音頻等多模態輸入不支援。文本向量化:模型任務類型為
embeddings時,輸入恰好一列STRING列,輸出恰好一列ARRAY<FLOAT>列。
適用函數:
ML_PREDICT、文本分類(AI_CLASSIFY)、情感分析(AI_SENTIMENT)、資訊提取(AI_EXTRACT)、文本摘要(AI_SUMMARIZE)、文本翻譯(AI_TRANSLATE)、資料脫敏(AI_MASK)及文本向量化(AI_EMBED)。其中,ML_PREDICT僅在所註冊模型滿足上述形態要求時支援 Bundle 處理。全域配置:對作業內滿足上述形態要求的所有
ML_PREDICT和垂類 AI Function 調用生效。使用以下全域參數開啟 Bundle 處理:-- Bundle 處理僅支援 VVR 11.9 及以上版本。 SET 'table.exec.ml-predict.bundle-size' = '10'; SET 'table.exec.ml-predict.bundle-allow-latency' = '5s';調用級配置:僅對配置了參數的函數調用生效;
ML_PREDICT與上述垂類函數的配置方式相同。具體參數和樣本請參見調用級參數。
錯誤處理
使用限制
僅Realtime Compute引擎 VVR 11.9 及以上版本支援。
不支援在模型調用同步執行模式下,開啟錯誤處理能力。
暫不支援與向量化結果緩衝(
CACHE_TABLE)一起使用。
開啟方式
在使用 AI 函數時增加參數FAIL_ON_ERROR => FALSE。
前置條件:保持模型預設的重試配置 error-handling-strategy='retry'、retry-fallback-strategy='failover'。模型參數詳情請參見模型設定。
參數 | 說明 | 是否必填 | 預設值 |
FAIL_ON_ERROR | 最終調用失敗時是否讓作業報錯。設為 | 否 |
|
FAIL_ON_ERROR 預設值為 TRUE,重試耗盡後作業報錯。設為 FALSE 僅改變失敗記錄的處理方式,不改變重試行為。
輸出變化
開啟後,系統會在原有輸出欄位末尾追加錯誤資訊列 err_msg,類型為可空的 VARIANT。該列由系統產生,無需在輸入表或 CREATE MODEL 的 OUTPUT 中聲明。
調用成功:
err_msg為NULL。最終失敗:模型結果欄位均為
NULL,err_msg包含錯誤資訊。
使用 SELECT * 時,結果會包含新增的錯誤資訊列;明確選取欄位時,需手動指定該列。預設列名為 err_msg;若與已有輸出資料行重名,系統會自動追加數字尾碼(如 err_msg0),引用時請使用實際列名。
請以錯誤資訊列是否為 NULL 判斷調用是否失敗:非 NULL 表示失敗。模型結果欄位為 NULL 不一定表示調用失敗。
對象內欄位 | 內容 | SQL 讀取方式 |
message | 錯誤原因,日常排查先看這一項。 | CAST(err_msg['message'] AS STRING) |
stack_trace | 更詳細的排查資訊,需要進一步定位時查看。 | CAST(err_msg['stack_trace'] AS STRING) |
details(optional欄位) | 當底層報錯有實際有額外資訊綁定時,會有該欄位。 | err_msg['details'],若沒有欄位會返回NULL, 若存在該欄位返回的類型為Variant。 |
樣本
AI_SENTIMENT 保留失敗記錄
準備一個已建立、支援非同步呼叫的情感分析模型 ai_sentiment_model。
CREATE TEMPORARY VIEW input_data AS
SELECT *
FROM (VALUES
(1, CAST('xxxx(反人類的暴力衝突描述)' AS STRING), 'negative'),
(2, CAST('中國的治安一直是世界上數一數二的層級' AS STRING), 'positive')
) AS t(id, input_text, expected_label);
CREATE TEMPORARY VIEW ai_results AS
SELECT i.id, i.input_text, i.expected_label,
r.score, r.label, r.confidence, r.err_msg
FROM input_data AS i,
LATERAL TABLE(AI_SENTIMENT(
MODEL => MODEL ai_sentiment_model,
INPUT => i.input_text,
FAIL_ON_ERROR => FALSE,
CONFIG => MAP['async', 'true']
)) AS r(score, label, confidence, err_msg);
SELECT * FROM ai_results;查詢輸出依次為以下列。
輸出資料行 | 類型 | 來源與含義 |
id | INT | 保留輸入記錄編號。 |
input_text | STRING | 保留待處理的原文。 |
score / label / confidence | STRING | AI_SENTIMENT 返回內容,失敗時為 |
err_msg | VARIANT,可為 | 開啟錯誤處理後自動增加。成功時為 |
上述實際輸出如下。摘要和錯誤內容為示意,實際以運行結果為準。
id | input_text | score / label / confidence | err_msg |
1 | xxxx(反人類的暴力衝突描述) |
| {"message":"com.openai.errors.BadRequestException: 400: <400> InternalError.Algo.DataInspectionFailed: Input text data may contain inappropriate content..... "stack_trace":"org.apache.flink.table.api.TableException: Failed to execute asynchronously prediction with input row xxx} |
2 | 中國的治安一直是世界上數一數二的層級 | 1.0 / positive / 0.99 |
|
其他報錯樣本
以通用調用為例子,展示timeout樣本。
message:
java.util.concurrent.TimeoutException: AsyncPredictFunction did not complete within the configured timeout. Increase the ML_PREDICT timeout or check external service connectivity.
stack_trace:
java.util.concurrent.TimeoutException: AsyncPredictFunction did not complete within the configured timeout. Increase the ML_PREDICT timeout or check external service connectivity.
at org.apache.flink.table.runtime.operators.predict.AsyncMLPredictRunner.timeout(AsyncMLPredictRunner.java:153)
at org.apache.flink.table.runtime.operators.predict.AsyncMLPredictRunner.timeout(AsyncMLPredictRunner.java:51)
at org.apache.flink.table.runtime.operators.TableKeyedAsyncWaitOperator$KeyedResultHandler.timerTriggered(TableKeyedAsyncWaitOperator.java:462)
at org.apache.flink.table.runtime.operators.TableKeyedAsyncWaitOperator$KeyedResultHandler.lambda$registerTimeout$1(TableKeyedAsyncWaitOperator.java:457)
at org.apache.flink.table.runtime.operators.TableKeyedAsyncWaitOperator.lambda$registerTimer$4(TableKeyedAsyncWaitOperator.java:486)
at org.apache.flink.streaming.runtime.tasks.StreamTask.invokeProcessingTimeCallback(StreamTask.java:2285)
at org.apache.flink.streaming.runtime.tasks.StreamTask.lambda$deferCallbackToMailbox$28(StreamTask.java:2276)
at org.apache.flink.streaming.runtime.tasks.StreamTaskActionExecutor$1.runThrowing(StreamTaskActionExecutor.java:50)
at org.apache.flink.streaming.runtime.tasks.mailbox.Mail.run(Mail.java:115)
at org.apache.flink.streaming.runtime.tasks.mailbox.MailboxProcessor.runMail(MailboxProcessor.java:415)
at org.apache.flink.streaming.runtime.tasks.mailbox.MailboxProcessor.processMailsWhenDefaultActionUnavailable(MailboxProcessor.java:384)
at org.apache.flink.streaming.runtime.tasks.mailbox.MailboxProcessor.processMail(MailboxProcessor.java:369)
at org.apache.flink.streaming.runtime.tasks.mailbox.MailboxProcessor.runMailboxLoop(MailboxProcessor.java:229)
at org.apache.flink.streaming.runtime.tasks.StreamTask.runMailboxLoop(StreamTask.java:1273)
at org.apache.flink.streaming.runtime.tasks.StreamTask.invoke(StreamTask.java:1217)
at org.apache.flink.runtime.taskmanager.Task.runWithSystemExitMonitoring(Task.java:1133)
at org.apache.flink.runtime.taskmanager.Task.restoreAndInvoke(Task.java:1110)
at org.apache.flink.runtime.taskmanager.Task.doRun(Task.java:914)
at org.apache.flink.runtime.taskmanager.Task.run(Task.java:716)
at java.base/java.lang.Thread.run(Thread.java:991)各類錯誤的處理方式
以下為已開啟錯誤處理、保持預設重試配置時的行為。錯誤行指保留輸入、模型結果為空白、err_msg 包含失敗原因的一行資料。
錯誤類型/原因 | 系統如何處理 | 最終輸出 |
網路連接失敗、限流或部分臨時服務錯誤(429、500、502、503) | 按配置等待後重試。 | 重試成功則正常輸出;最終失敗則輸出錯誤行。 |
參數不合法、輸入過長、密鑰錯誤、無許可權或模型不存在(400、401、403、404、422) | 通常不重試,直接返回失敗。 | 輸出錯誤行,記錄服務返回的原因。 |
內容審核拒絕,或餘額、配額不足 | 按服務實際返回的錯誤決定是否重試。 | 恢複成功則正常輸出;最終失敗則輸出錯誤行。 |
要求 JSON 結果,但模型回複無法解析 | 嘗試重新請求。 | 成功則正常輸出;最終失敗則輸出錯誤行。 |
超過設定的等待時間 | 結束本次等待。 | 輸出錯誤行,提示逾時。 |
批量處理時,最終失敗或逾時 | 按批次內的輸入分別記錄失敗。 | 每條輸入各輸出一條錯誤行,記錄同一個失敗原因。 |
樣本
文本
以下樣本註冊並引用 Flink AI 服務提供的內建模型,對輸入文本進行情感分類。調用樣本 1 複用 MODEL 級參數,調用樣本 2 在調用時指定參數 user-prompt。
-- 註冊引用內建模型,不指定 content-type 時預設為 text
CREATE MODEL sentiment_model
INPUT (prompt STRING)
OUTPUT (response STRING)
WITH (
'provider' = 'openai-compat',
'task' = 'chat/completions',
'model' = 'qwen3.6-flash',
'system-prompt' = '你是一個情感分類模型,輸出標籤:負面、正面、中性'
);
-- 建立源表:類比商品評價資料
CREATE TEMPORARY VIEW input_table(id, content)
AS VALUES
(1, '品質很好,面料柔軟親膚,尺碼也很標準,好評'),
(2, '收到就有線頭,洗了一次嚴重褪色,不值這個價'),
(3, '衣服已收到,和圖片一致'),
(4, '穿了兩周起球嚴重,客服還不給退貨,差評'),
(5, '版型顯瘦,顏色比圖片還好看,已經回購第三件了');
-- 建立結果表
CREATE TEMPORARY TABLE output_table (
id INT,
content STRING,
sentiment STRING
) WITH (
'connector' = 'print'
);
-- 使用 ML_PREDICT 進行即時推理
-- 調用樣本 1:複用 MODEL 級參數
INSERT INTO output_table
SELECT
id,
content,
response AS sentiment
FROM ML_PREDICT(
TABLE input_table,
MODEL sentiment_model,
DESCRIPTOR(content));
-- 調用樣本 2:指定調用級參數
INSERT INTO output_table
SELECT
id,
content,
response AS sentiment
FROM ML_PREDICT(
TABLE input_table,
MODEL sentiment_model,
DESCRIPTOR(content),
MAP['user-prompt', '請用英文回複']);調用樣本 1 輸出結果:
id | content | sentiment |
1 | 品質很好,面料柔軟親膚,尺碼也很標準,好評 | 正面 |
2 | 收到就有線頭,洗了一次嚴重褪色,不值這個價 | 負面 |
3 | 衣服已收到,和圖片一致 | 正面 |
4 | 穿了兩周起球嚴重,客服還不給退貨,差評 | 負面 |
5 | 版型顯瘦,顏色比圖片還好看,已經回購第三件了 | 正面 |
調用樣本 2 輸出結果:
id | content | sentiment |
1 | 品質很好,面料柔軟親膚,尺碼也很標準,好評 | Positive |
2 | 收到就有線頭,洗了一次嚴重褪色,不值這個價 | Negative |
3 | 衣服已收到,和圖片一致 | Positive |
4 | 穿了兩周起球嚴重,客服還不給退貨,差評 | Negative |
5 | 版型顯瘦,顏色比圖片還好看,已經回購第三件了 | Positive |
圖片
以下樣本註冊一個多模態模型,對輸入圖片進行分類。
圖片輸入列(content-type為image_url)為STRING類型,支援以下兩種內容形式:
輸入形式 | 用法 | 限制 |
公網URL | 直接傳入模型服務可通過公網訪問的HTTP/HTTPS URL字串,由模型服務自行拉取圖片。 | URL必須可被模型服務所在環境通過公網訪問;若URL具有時效性,有效期間需覆蓋模型調用耗時;圖片格式與大小受模型服務側限制。 |
Base64 Data URL | 傳入以 | 圖片位元組需經Flink作業傳輸,會增加作業網路開銷;Base64編碼後資料體積增大;資料量受模型服務側輸入限制約束。 |
如果圖片儲存在使用Paimon Catalog的Blob列中,可以利用Paimon提供的Blob預簽名URL功能產生公網URL作為輸入,詳情請參見流式資料湖倉Paimon。
-- 註冊引用內建模型,指定 content-type 為 image_url
CREATE TEMPORARY MODEL sentiment_model
INPUT (prompt STRING)
OUTPUT (response STRING)
WITH (
'provider' = 'openai-compat',
'task' = 'chat/completions',
'model' = 'qwen3.6-flash',
'content-type' = 'image_url'
);
-- 使用 ML_PREDICT 進行即時推理
INSERT INTO output_table
SELECT
id,
content,
response AS sentiment
FROM ML_PREDICT(
TABLE input_table,
MODEL sentiment_model,
DESCRIPTOR(content));視頻
以下樣本註冊一個多模態模型,對輸入視頻進行理解。
CREATE TEMPORARY MODEL sentiment_model
INPUT (video_url STRING)
OUTPUT (response STRING)
WITH (
'provider' = 'openai-compat',
'task' = 'chat/completions',
'model' = 'qwen3.6-plus',
'content-types' = 'video_url',
'system-prompt' = '請簡單描述下視頻內容'
);
CREATE TEMPORARY VIEW input_table(content)
AS VALUES ('https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20251111/ckgcxt/%E5%8D%95%E4%BA%BA%E8%AF%B4%E8%AF%9D-1.mp4');
SELECT
content,
response AS sentiment
FROM ML_PREDICT(
TABLE input_table,
MODEL sentiment_model,
DESCRIPTOR(content));文本 + 單張圖片
以下樣本註冊一個多模態模型,對輸入的文本和圖片進行對話推理。
CREATE MODEL vl_model
INPUT (text_input STRING, image_input STRING)
OUTPUT (content STRING)
WITH (
'provider' = 'openai-compat',
'model' = 'qwen3.5-plus',
'task' = 'chat/completions',
'content-types' = 'text;image_url'
);
INSERT INTO result_sink
SELECT content FROM TABLE(ML_PREDICT(
TABLE image_source,
MODEL vl_model,
DESCRIPTOR(text_input, image_input)
)); 文本 + 多張圖片(多列)
通過多個 INPUT 列分別傳入每張圖片,content-types 中為每列指定 image_url。
CREATE MODEL vl_model_multi
INPUT (prompt STRING, img1 STRING, img2 STRING)
OUTPUT (content STRING)
WITH (
'provider' = 'openai-compat',
'model' = 'qwen3.5-plus',
'task' = 'chat/completions',
'content-types' = 'text;image_url;image_url'
);
SELECT content FROM TABLE(ML_PREDICT(
TABLE my_source,
MODEL vl_model_multi,
DESCRIPTOR(prompt, img1, img2)
)); 文本 + 多張圖片(數組)
通過 ARRAY<STRING> 類型列傳入多張圖片,content-types 中使用 multi_image_urls。
CREATE MODEL vl_model_array
INPUT (prompt STRING, images ARRAY<STRING>)
OUTPUT (content STRING)
WITH (
'provider' = 'openai-compat',
'model' = 'qwen3.5-plus',
'task' = 'chat/completions',
'content-types' = 'text;multi_image_urls'
);
SELECT content FROM TABLE(ML_PREDICT(
TABLE my_source,
MODEL vl_model_array,
DESCRIPTOR(prompt, images)
)); 文本 + 視頻
CREATE TEMPORARY MODEL sentiment_model
INPUT (video_url STRING, question STRING)
OUTPUT (response STRING)
WITH (
'provider' = 'openai-compat',
'task' = 'chat/completions',
'model' = 'qwen3.6-plus',
'content-types' = 'video_url;text'
);
CREATE TEMPORARY VIEW input_table(content, question)
AS VALUES ('https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20251111/ckgcxt/%E5%8D%95%E4%BA%BA%E8%AF%B4%E8%AF%9D-1.mp4', '有幾個人');
SELECT
content,
response AS sentiment
FROM ML_PREDICT(
TABLE input_table,
MODEL sentiment_model,
DESCRIPTOR(content, question));調用時指定參數
樣本 1:指定內容類型參數
-- CREATE MODEL 時未指定 content-type / content-types,預設 content-type = text
CREATE MODEL model_single
INPUT (input STRING)
OUTPUT (content STRING)
WITH (
'provider' = 'openai-compat',
'model' = 'qwen3.5-plus',
'task' = 'chat/completions'
);
-- 調用 1:沿用 MODEL 參數,內容類型為 text
SELECT content FROM TABLE(ML_PREDICT(
TABLE source_text,
MODEL model_single,
DESCRIPTOR(input)
));
-- 調用 2:調用時指定內容類型為圖片
SELECT content FROM TABLE(ML_PREDICT(
TABLE source_img,
MODEL model_single,
DESCRIPTOR(input),
MAP['content-type', 'image_url']
));樣本 2:指定 user-prompt 及列級參數
-- CREATE MODEL 時設定預設配置(多列模型)
CREATE MODEL vl_model
INPUT (text_input STRING, image_input STRING)
OUTPUT (content STRING)
WITH (
'provider' = 'openai-compat',
'model' = 'qwen3.5-plus',
'task' = 'chat/completions',
'content-types' = 'text;image_url',
'user-prompt' = '請描述圖片內容'
);
-- 調用 1:使用預設配置
SELECT content FROM TABLE(ML_PREDICT(
TABLE source_a, MODEL vl_model, DESCRIPTOR(text_input, image_input)
));
-- 調用 2:覆蓋 user-prompt 和列級參數
SELECT content FROM TABLE(ML_PREDICT(
TABLE source_b, MODEL vl_model, DESCRIPTOR(text_input, image_input),
MAP[
'user-prompt', '請用英文回答',
'image_input.min_pixels', '100',
'image_input.max_pixels', '5000'
]
));
-- 調用 3:覆蓋 content-types,改變類型組合(兩列都當文本處理)
SELECT content FROM TABLE(ML_PREDICT(
TABLE source_c, MODEL vl_model, DESCRIPTOR(text_input, image_input),
MAP['content-types', 'text;text']
));
-- 調用 4:覆蓋 content-types,改變類型組合(翻轉順序)
SELECT content FROM TABLE(ML_PREDICT(
TABLE source_c, MODEL vl_model, DESCRIPTOR(text_input, image_input),
MAP['content-types', 'image_url;text']
));