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：基本設定

這個小系列會教學如何使用 Python SDK 操作 Azure OpenAI 內的各項功能，算是一個入門的系列。

有鑑於工作上不斷地有同事會加入使用 Azure OpenAI 的行列，外加不知如何形成的優質企業文化，每次丟微軟官方文檔或套件教學文檔都沒有人要看😩，於是造就了這個系列的誕生。

因應時代的變遷，部分舊的模型（text-davinci-003、text-similarity-davinci-001等）與 Completion API 都不會出現在文章中，取而代之的會盡量是一些比較新的用法。


Python 套件安裝

整個系列都會使用到 openai 這個 Python 函式庫，請先透過以下指令安裝：

pip install openai

Azure OpenAI 模型部署

請先建立 Azure OpenAI 資源，申請或建立的流程可以參考前篇申請流程紀錄。

相關連結：【Azure OpenAI】Azure OpenAI 申請流程全紀錄

建立完成後直接進入 Azure OpenAI Studio 的「模型」頁籤

「模型」頁籤顯示所有可被部署的模型

在模型 gpt-35-turbo 上打勾，並點擊 Deploy

設定模型部屬名稱

這邊先簡單將部署名稱與模型類別設定為一樣，實際使用時可任意設定為喜歡的名稱。另外如果訂閱下可以使用 gpt-4 模型，也可以部署 gpt-4 模型，後續使用方式幾乎是一樣的。

API Key & Endpoint

API 金鑰與端點要到 Azure Portal 中查看，可以先複製下來備用

API Key & Endpoint

ChatGPT Hello World

完成上述步驟後終於可以開始使用 ChatGPT，其中最常用的聊天功能，以下提供一個基本的呼叫範例

import openai
openai.api_type = "azure"
openai.api_version = "2023-08-01-preview"
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

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？"}
    ]
)

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

要注意的是 openai.api_base 與 openai.api_key 需要填上之前在 Portal 中複製好的 API 金鑰與端點，而 deployment_id 則是填入模型的部署名稱，如果前面的設定都跟著文章走的話這邊可以不用更改。

直接執行程式碼，會得到以下回應

天空通常被描述為藍色。這是由於地球上的大氣層對可見光的散射效應所致。然而，天空的顏色可能會因各種因素，如太陽的位置、大氣中的灰塵和污染物的含量，以及氣象條件而有所變化。在日出和日落時，天空的顏色可能會呈現橘紅色或粉紅色。此外，在特殊的天氣條件下，如日食或特殊的大氣現象，天空的顏色可能會呈現不尋常的色彩。

GPT 的回覆是具有隨機性的，這邊只要有正常回答問題即可，不用與上述範例相同。

總結

到此即完成使用 Python 操作 Azure OpenAI 的一些基本設定，在最後的呼叫範例中如果有正常回復就表示所有設定是正確的。而目前我們可能還看不懂這個範例，只知道好像詢問了一個問題，而 GPT 也回答了某些事情，但不用擔心，後續還會再針對輸入與輸出的格式做更詳細的說明，請繼續收看下一篇！

系列文章

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

【Document Intelligence】使用 Layout Model 實作 Semantic Chunking

在這個 LLM 時代 RAG 可說是一個非常熱的議題，其中來源資料的品質幾乎決定了整個 RAG 應用的成敗，而在一系列的資料處理流程中，又以 Chunking 做為一個重要的環節，像是常見的固定長度、重疊等等都是基本的 Chunking 策略。 Semantic Chunking 是一種進階的 Chunking 手法，比起基本的固定長度切分，Semantic Chunking 希望藉由語意分析劃分出更具有意義的 Chunk。本篇將使用在 Document Intelligence 中新推出的 Layout Model 文檔分析 API 來實作 Semantic Chunking。 Markdown 與 Semantic Chunking Markdown 是一種具有結構的標記語言，對於人類在閱讀上是非常友好的，而對於 LLM 來說當然也是如此，不過在現實上，我們提供給 RAG 的文件往往都不是 Markdown。 現在我們將使用 Layout Model 來解決這個問題，其提供的文檔分析 API 可以在一次呼叫中將傳入的 PDF、PPT 等常見格式文檔轉換成 Markdown 格式，這個轉換過程中包含了 OCR、文件結構分析等步驟，這也就代表轉換出的 Markdown 結構在某種程度上是蘊含文件語意的。 最後我們將使用這個 Markdown 結構做為 Chunking 的依據，以此來實現 Semantic Chunking。 建立 Document Intelligence 建立 AI 類服務時基本上都不用做太複雜的設定，這邊唯一要注意的是我們預計要使用的 Layout Model API 目前只有在美東、美西 2 與西歐三個地區提供，建議時需要留意選擇的地區。 Document Intelligence Studio 與其他 AI 服務一樣，Document Intelligence 也有提供 Studio 讓我們快速體驗功能，從 Studio 首頁進入「Layout」頁面，我們使用內建的範例文件來看看文檔分析 API 的能力。 首先選擇一篇範例文件，再調整「Output format style」為「Markdown 」後點擊上方的「Run an...
張貼留言
閱讀完整內容