:MaxCompute model computing hizmetini satın alma ve kullanma

Desteklenen bölgeler ve modeller

• Desteklenen bölgeler: Model computing hizmeti yalnızca aşağıdaki bölgelerde kullanılabilir.

  • Çin anakarası: Çin (Pekin), Çin (Şanghay), Çin (Hangzhou), Çin (Shenzhen), Çin (Ulanqab)

  • Uluslararası: Singapur

• Desteklenen modeller

  Model	Tür	Açıklama
  qwen3.8-max	Çok modlu veri girişini destekler	Qwen 3.8 serisinden, 2,4 trilyon parametreye sahip amiral gemisi Uzmanların Karışımı (MoE) modelidir. Programlama ve ofis verimliliği yetenekleri önemli ölçüde geliştirilmiştir ve on günden fazla süreyle otonom programlama yaparak eksiksiz projeler sunabilir. Bu model, otonom programlama, gelişmiş ofis otomasyonu, bilimsel araştırma ve uzun süreli görevler gibi son derece karmaşık senaryolar için idealdir.
  qwen3.7-max	Yalnızca metin girişi	Qwen 3.7 serisinden bir amiral gemisi modelidir; çıkarım, kod oluşturma ve çok dilli anlama alanlarında kapsamlı yükseltmeler sunar. Son derece karmaşık görevler için uygundur.
  qwen3.7-plus	Çok modlu veri girişini destekler	Qwen 3.7 serisinden, performans ve maliyet arasında iyi bir denge sunan dengeli bir modeldir. Uzun metin analizi ve çok turlu konuşmalar gibi kurumsal senaryolar için uygundur.
  qwen3.7-flash	Çok modlu veri girişini destekler	Qwen 3.7 serisinden hafif, yüksek hızlı, yerel görme-dili modelidir. Geliştirilmiş çok modlu anlama ve ajan yürütme yetenekleri sunar; bu da onu yüksek eşzamanlılık ve düşük gecikme süresi gerektiren çevrimiçi hizmetler ile hafif çok modlu görevler için ideal kılar.
  qwen3.7-text-embedding	Yalnızca metin girişi	Qwen 3.7 üzerinde eğitilen bu birleşik çok dilli metin vektör modeli, text-embedding-v4 sürümüne kıyasla metin erişimi, kümeleme ve sınıflandırma alanlarında önemli performans iyileştirmeleri sunar.
  qwen3-vl-embedding	Çok modlu veri girişini destekler	Karma resim ve metin girişleri için vektör temsillerini destekleyen bir Qwen çok modlu vektör yerleştirme modelidir. Çapraz modlu erişim ve resim-metin eşleştirme senaryoları için uygundur.
  text-embedding-v4	Yalnızca metin girişi	Anlamsal arama, kümeleme ve benzerlik hesaplama için uygun yüksek hassasiyetli bir metin vektör yerleştirme modelidir.
  qwen3.6-plus	Çok modlu veri girişini destekler	Qwen 3.6 serisinden, performans ve maliyet arasında iyi bir denge sunan dengeli bir modeldir. Diyalog, özetleme ve analiz gibi genel iş senaryoları için uygundur.
  qwen3.6-flash	Çok modlu veri girişini destekler	Qwen 3.6 serisinden hafif, yüksek hızlı bir modeldir. Düşük maliyetle hızlı yanıtlar sağlar; bu da onu yüksek eşzamanlılık ve düşük gecikme süresi gerektiren çevrimiçi hizmetler için ideal kılar.
  deepseek-v4-pro	Yalnızca metin girişi	DeepSeek'in dördüncü nesil amiral gemisi çıkarım modelidir. Matematik, kodlama ve karmaşık mantıksal akıl yürütme gibi yüksek zorluk derecesine sahip görevlerde mükemmel sonuçlar verir.
  deepseek-v4-flash	Yalnızca metin girişi	DeepSeek'in dördüncü nesil hafif modelidir. Hızlı çıkarım sunar ve son derece maliyet etkindir; günlük konuşmalar ve hafif çıkarım görevleri için uygundur.
  qwen3.5-397b-a17b	Çok modlu veri girişini destekler	Qwen 3.5 serisinden bir Uzmanların Karışımı (MoE) modelidir. Verimli parametre aktivasyonu, geniş bir bilgi tabanı ve çok adımlı akıl yürütme yetenekleri sunar. Bu model, yüksek zorluk derecesine sahip mantıksal çıkarım, tam yığın kod oluşturma ve derinlemesine bilgi soru-cevap için tasarlanmıştır.
  qwen3.5-omni-plus	Çok modlu veri girişini destekler	Qwen3.5-Omni, Qwen'in en yeni omni-modlu büyük modelidir. Metin oluşturma, sesli asistanlar ve multimedya analizi gibi senaryolar için uygundur; doğal ve akıcı bir çok modlu anlama ve etkileşim deneyimi sağlar.
  qwen3-asr-flash	Çok modlu veri girişini destekler	Qwen 3 serisinden hafif bir konuşma tanıma modelidir. Düşük gecikme süresi ve yüksek eşzamanlılık ile gerçek zamanlı transkripsiyon sağlar; toplantı tutanakları oluşturma, canlı yayın altyazıları ve sesli komutları tanıma gibi gerçek zamanlı ses işleme senaryoları için uygundur.
  tongyi-embedding-vision-plus	Çok modlu veri girişini destekler	Tongyi-Embedding-Vision, büyük dil modeli (LLM) üzerine inşa edilmiş görsel bir çok modlu temsil modelidir. Resimden resme arama, metinden resme arama, metinden videoya arama, videodan videoya arama, metinden metne arama ve metinden resim ve metne arama dahil olmak üzere çeşitli alt görevler için uygundur.
  qwen3-max (Yakında kullanımdan kaldırılacak)	Yalnızca metin girişi	Qwen serisinden, karmaşık çıkarım ve içerik oluşturma için uygun yüksek performanslı bir büyük dil modelidir. Önemli qwen3-max modeli yakında kullanımdan kaldırılacaktır. Hizmet sürekliliğini sağlamak için ilgili hizmetlerinizi mümkün olan en kısa sürede yeni bir modele geçirin. Daha fazla bilgi için bkz. Model Kullanımdan Kaldırma Politikası.

Faturalama

Ayrıntılar için bkz. Model Compute Ücreti (Token Ücreti).

Başlamadan önce

Her bölge için hizmeti yalnızca bir kez etkinleştirmeniz gerekir. Etkinleştirmeden sonra, hizmet o bölgedeki tüm projeler için varsayılan olarak kullanılabilir olur.

1. MaxCompute konsolu adresinde oturum açın ve sol üst köşeden bir bölge seçin.

2. Sol gezinme bölmesinde Manage Configurations > Quotas öğelerini seçin.

3. Quotas sayfasında New Quota seçeneğine tıklayın.

   Satın alma sayfasında Product Type için Model Computing Service seçeneğini belirleyin.

4. MaxCompute model computing hizmeti sayfasında bir bölge seçin, hizmet sözleşmesini kabul edin ve ardından hizmeti etkinleştirin.

5. Satın alma işlemi tamamlandıktan sonra konsola dönün. Kota Yönetimi sayfasında ai_InferenceQuota adlı bir kullandıkça öde kota görünür.

İzinleri verme

Varsayılan olarak, hiçbir hesabın (Alibaba Cloud hesapları dahil) veya rolün iş düzeyinde bir kota belirtme izni yoktur. Bu özelliği kullanabilmeniz için gerekli izinleri açıkça vermeniz gerekir.

-- 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>;

Kullanım

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);