跳到主要內容

【Azure OpenAI】o1 模型與 2024-09-01-preview API

距離上篇在 Early Access Playground 試用 o1 模型後又過了兩週，今天終於等到 API 開放使用啦！本篇將紀錄如何使用 Python SDK 存取 o1 模型。 系列文章 【Azure OpenAI】快速試用 o1 模型 模型佈署 在先前開放的 Early Access Playground 中使用 o1 是不需要另外佈署模型的，不過回到使用 API 來存取 o1 模型，就需要像之前的模型一樣先進行佈署才能使用，相信大家都很熟悉了。 使用 Python SDK 一樣使用熟悉的 openai 套件： 2024-09-01-preview 初始化的方式與先前模型都一樣，需要注意的是 o1 模型目前只能使用最新的 API 版本 2024-09-01-preview 來訪問。 Chat Completions 將 model 填入 o1-preview ，或是你的模型佈署名稱， messages 也一樣是歷史對話堆疊的 List。 回應如下： 查看 Token 使用量 內建 Chain of Thought 的 o1 比起過往的模型會消耗較多的 Token，因此我們特別把 Token 使用量拉出來看。 回應如下： 其中 prompt_tokens 、 completion_tokens 、 total_tokens 在先前的 API 就已經存在了，分別代表Token 的 Input、Output 與總使用量，而在新的 completion_tokens_details 中可以看到  reasoning_tokens 使用了 320 個 Tokens，居然佔了總輸出 Token 的 80% 以上！ 控制 Token 成本 已往我們可以使用  max_tokens 參數來控制 Token 的用量，但在 o1 模型中棄用了 max_tokens ，取而代之的是使用  max_completion_tokens 參數，來看看這段程式碼： 回應如下： 沒東西？那再看一次 Token 量。 回應如下： Token 居然是有被使用的！ 這表示 max_completion_tokens 並不像過往使用  max_tokens 這麼簡單，先前在回應遇到...
張貼留言

【Azure OpenAI】Azure OpenAI Python SDK 使用方式：聊天模型

在前一篇基本設定的最後，有使用了一個簡單範例來確認所有設定都是正確的，而這個範例即是聊天模型的使用方式。

目前聊天模型主要分為兩個系列：GPT-3.5 與 GPT-4，兩系列皆可以透過呼叫 Chat Completion API 來使用，而此篇主要即針對 Chat Completion API 的使用方式做介紹。

必要條件

  • 需要具備可使用 Azure OpenAI 服務的 Azure 訂閱，可參考下方連結中的申請流程。
  • 此系列文皆使用 Python 的 openai 函式庫，安裝與引入方式可參考下方連結中的基本設定。
  • 可先設定 Azure OpenAI 端點與金鑰，以下設定方式不會再重複出現在每個範例中。
import openai
openai.api_base = "https://xxxxx.openai.azure.com/"  # 你的 Azure OpenAI 端點
openai.api_key = "OPENAI_API_KEY" # 你的 Azure OpenAI 金鑰

相關連結：【Azure OpenAI】Azure OpenAI Python SDK 使用方式：基本設定

基本設定

這邊說明一下會使用到的兩個設定，一般會連同 Azure OpenAI 端點與金鑰一起設定在程式碼中。

api_type

因為 openai 這個函式庫在 OpenAI 與 Aazure OpenAI 之間是共用的，所以這邊需要事先聲明我們要使用的是 Aazure OpenAI，設定方式如下：

openai.api_type = "azure"

OpenAI 與 Aazure OpenAI 兩者的寫法與回傳格式會有一點差異，如果在網上參考文章或範例程式碼時也記得先確認對方是使用哪一家公司的服務。

api_version 

雖然是使用 SDK 來呼叫 GPT，但大部分的 SDK 底層都是透過包裝 API 來實現的，所以需要向 SDK 聲明目前的寫法是要使用哪一個版本。

openai.api_version = "2023-08-01-preview"

近期只要跟 GPT 有關的東西更新都非常快速，API 版本在 2023 年幾乎是每一兩個月一版的速度在更新；而這個系列的文章都會固定使用截至目前（2023/10）的最新版本：2023-08-01-preview。

Chat Completion API 呼叫方式

現在終於可以進入本篇的重點，讓我們先回顧前一篇基本設定中的測試範例：

response = openai.ChatCompletion.create(
    deployment_id="gpt-35-turbo", # 模型部署名稱
    messages=[
        {"role": "system", "content": "助手是一個預訓練的大型語言模型"},
        {"role": "user", "content": "天空是什麼顏色的？"}
    ]
)

開頭的 openai.ChatCompletion.create 即是 Chat Completion API 的呼叫方式，而其中比較容易搞混的地方是 deployment_id ，要填入的是在 Aazure OpenAI 中模型的部署名稱，忘記的話可以在 Studio 上找到。

交談格式

Chat Completion API 中最關鍵的就是交談內容的格式化輸入，GPT 的 API 都是無狀態的，所以在呼叫時必須包含想要讓 GPT 知道的歷史對話內容，其中包含每句話是由誰講出來的，而對話的順序需要依序排列的 list 中，最後彙整完成設定在 messages 參數中。

 能使用的角色有以下三種：

  1. system：對於回話助理的簡短描述或人格特質，也能包含一些希望遵守的規則。
  2. user：使用者的說話內容。
  3. assistant：助手的回話內容，使用在多回合交談情境。

以下兩個案例可以更清楚的了解這三種的角色的使用方式。

系統角色

比較特別的用法是在 system 中設定回話的風格，像是如果把上面的範例更改為以下：

response = openai.ChatCompletion.create(
    deployment_id="gpt-35-turbo", # 模型部署名稱
    messages=[
        {"role": "system", "content": "助手是一個酸言酸語的酸民"},
        {"role": "user", "content": "天空是什麼顏色的？"}
    ]
)

你會得到這樣的回應：

天空是蔚藍色的，除非你住在一個污染嚴重的城市，那你可能看到的只是一片灰濛濛的天空，很可憐呢。不過，如果你是住在北極或南極，你可能會看到一段時間的極夜或極昼，然後你就不會看到什麼顏色的天空了，只會看到黑暗或亮光罷了。 但說實話，我對你問這種問題有點無言以對。

嗯...真的很酸。

而其他比較一般的用法，像是設定回話時遵守的規則，例如不希望助手回話時講了一大串沒有用的資訊，這時可以使用：請直接回答問題；這邊助手的設定都是包含在 token 數中的，如果是會考量費用的朋友需要稍微留意。

多回合交談

如果想要在多次來回的交談中，又保留歷史對話過程的上下文，這時可以交叉使用 user 與 assistant 兩個角色，範例如下：

response = openai.ChatCompletion.create(
    deployment_id="gpt-35-turbo", # 模型部署名稱
    messages=[
        {"role": "system", "content": "助手是一個預訓練的大型語言模型"},
        {"role": "user", "content": "天空是什麼顏色的？"},
        {"role": "assistant", "content": "藍色"},
        {"role": "user", "content": "那雲朵呢？"},
    ]
)

基本上這也是目前最常見的情境，在程式上只要不斷的將對話 append 進 list，就能一直保留對話的上下文內容。但同時，這表示每次對話消耗的 token 數都會持續上升，所以實務上會加上只保留最後 10 個對話內容等機制。

Chat Completion API 回應

雖然上述幾個例子都包含了回話內容，但實際上這個回話內容會包含在一個多層的 json 物件中，可以直接透過以下方式抓出：

print(response['choices'][0]['message']['content'])

Token 使用數量

回應的 json 物件中還有包含該次呼叫所消耗的 Token 數，可以使用以下方式抓出：

print(response['usage'])

而其中的格式會像這樣

{
    "completion_tokens": 121,
    "prompt_tokens": 45,
    "total_tokens": 166
}

prompt_tokens 是呼叫時使用的 Token 數，completion_tokens 是回話時使用的 Token 數，total_tokens 即是兩者相加，算是一個還蠻實用的資訊。

總結

這邊主要介紹了 Chat Completion API 來呼叫聊天模型，基本上已經涵蓋了大多數的使用情境，在 system 角色中有適當的 Prompt 設計，加上多回合交談的使用方式，就能做出很多不同特色的對話機器人。

而在企業應用中，對於回話內容的設計會有更多的要求，這是一個目前極熱門的課題，在下一篇中會介紹其中最關鍵的技術：Embedding，請繼續收看下一篇！

標籤：
位置： 407台灣台中市西屯區

留言

張貼留言

這個網誌中的熱門文章

【Azure OpenAI】購買 PTU 時微軟不會告訴你的事

Provisioned Throughput Units 一直是目前在 Azure OpenAI 對於延遲問題的最有效解法，同時也是官方最推薦的方案。有別於基本的隨付即用，PTU 具有穩定、可預測的延遲等優勢，適合用於正式上線的生產環境。 但 PTU 的成本是一個不可忽視的問題，儘管選購最小單位量的 PTU，也是需要應用到達一定規模後才看得出使用效益。在確認是否購買 PTU 時，除了詳細閱讀官方文件並使用官方推出的計算機規劃額度外，以下幾點或許也是你該注意的。 不可自行購買 PTU 首先，是的，截自撰文當日 (2024/07/09) PTU 只能透過微軟業務窗口洽詢購買細節，這可能對於多數用戶是不友善的，但我相信這個過程很快就能得到優化。 相關連結： https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/provisioned-throughput#how-do-i-get-access-to-provisioned PTU 的可用區域僅供參考 在官方文件中記錄了下述表格，其中詳細的呈現各種模型的 PTU 在不同地區的可用性，但這張表只是一個參考，因為當你洽詢業務窗口時你會得到另一張不同的表格。 其中對於台灣用戶可能最有影響的，是我們沒辦法在日本東部購買 gpt-4o 模型的 PTU，對於想透過購買 PTU 以降低模型延遲的用戶來說這是一個矛盾的選擇，當然更不用提隨之產生的跨區傳輸量成本。 一樣截至撰文為止，為何在打勾區域✅無法購買的問題，官方並沒有給出任何理由，或許是我們採購量沒有達到官方需要解釋的程度😔 相關連結： https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/provisioned-throughput#what-models-and-regions-are-available-for-provisioned-throughput 有別於你認知的定價策略 承如前述，PTU 的成本絕對是導入時的重要考量點。 PTU 的售價到底是多少 事實上 PTU 的官方售價早就是公開的秘密，稱之為秘密是因為 PTU 的售價截至目前並沒有被列在官方文件或定價計算機中，但在最新的 Azure OpenAI S...
張貼留言
閱讀完整內容

【Azure OpenAI】o1 模型與 2024-09-01-preview API

距離上篇在 Early Access Playground 試用 o1 模型後又過了兩週，今天終於等到 API 開放使用啦！本篇將紀錄如何使用 Python SDK 存取 o1 模型。 系列文章 【Azure OpenAI】快速試用 o1 模型 模型佈署 在先前開放的 Early Access Playground 中使用 o1 是不需要另外佈署模型的，不過回到使用 API 來存取 o1 模型，就需要像之前的模型一樣先進行佈署才能使用，相信大家都很熟悉了。 使用 Python SDK 一樣使用熟悉的 openai 套件： 2024-09-01-preview 初始化的方式與先前模型都一樣，需要注意的是 o1 模型目前只能使用最新的 API 版本 2024-09-01-preview 來訪問。 Chat Completions 將 model 填入 o1-preview ，或是你的模型佈署名稱， messages 也一樣是歷史對話堆疊的 List。 回應如下： 查看 Token 使用量 內建 Chain of Thought 的 o1 比起過往的模型會消耗較多的 Token，因此我們特別把 Token 使用量拉出來看。 回應如下： 其中 prompt_tokens 、 completion_tokens 、 total_tokens 在先前的 API 就已經存在了，分別代表Token 的 Input、Output 與總使用量，而在新的 completion_tokens_details 中可以看到  reasoning_tokens 使用了 320 個 Tokens，居然佔了總輸出 Token 的 80% 以上！ 控制 Token 成本 已往我們可以使用  max_tokens 參數來控制 Token 的用量，但在 o1 模型中棄用了 max_tokens ，取而代之的是使用  max_completion_tokens 參數，來看看這段程式碼： 回應如下： 沒東西？那再看一次 Token 量。 回應如下： Token 居然是有被使用的！ 這表示 max_completion_tokens 並不像過往使用  max_tokens 這麼簡單，先前在回應遇到...
張貼留言
閱讀完整內容

【Azure OpenAI】快速試用 o1 模型

在 OpenAI 與 Azure OpenAI 同時發佈 o1 系列模型的一週後，我也順利通過 Azure OpenAI 的使用申請啦！本篇就來快速試用一下最新的o1 系列模型。 提出申請 目前如果要使用 o1 系列模型都需要經過微軟的資格審查，申請表單可以參考以下連結，表單只需要填寫一份，申請通過後 o1-preview 和 o1-mini 兩個模型都能使用。 相關連結： https://aka.ms/oai/modelaccess 使用 AI Studio 首先你必須要有一個位於 美東 2 地區的 Azure OpenAI 資源，不管是原有的或是新建立的資源都可以。 因為目前 o1 系列模型還處於早期訪問階段，資源中不需要自行佈署模型，取而代之的是需要透過 Early Access Playground 才能使用到 o1 系列模型。 而這次比較特別的是只能使用 AI Studio 的 Playground，看得出來微軟要慢慢整併掉 Azure OpenAI Studio 了。 草莓問題 這次就拿近期已經被大家玩爛的草莓問題來測試，在這個問題中我們會詢問 GPT 在「Strawberry」這個單字裡包含了多少個字母「r」，沒錯，這個草莓問題就是這麼簡單無聊，但結果卻出乎意料。 gpt-4o：兩次 gpt-4o 會有非常高的機率回答：兩次，看似如此簡單的問題又能讓 gpt-4o 屢屢回答錯誤，這就是草莓問題出名的原因，大家也可以自己嘗試看看。 o1-preview：三次 反觀加入 Chain of Thought 概念的 o1-preview 就輕鬆解決了這個草莓問題 😂 總結 根據官方資訊，具有 Chain of Thought 的 o1 模型犧牲了回應的即時性，但大幅改善在邏輯與推理類型問題中的表現，同時成本方面 o1-preview 相較 gpt-4o-0806 貴了 6 倍，對於企業來說就需要好好思考是否有適用的情境了，不過現階段還是繼續期待 API 可用的那天。
張貼留言
閱讀完整內容