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 VNet】虛擬網路中的專用端點

 在 Azure 中提供了 Azure VNet Service Endpoint 與 Azure Private Endpoint 兩項服務，用來確保其他 Azure 服務僅能透過 VNet 中的流量訪問，藉此將這些 Azure 服務保護在 VNet 中以提高安全性。

Service Endpoint 與 Private Endpoint 都可以使 VNet 中的私人 IP 到達其他 Azure 服務，而不需要使用到公用 IP，而兩者也存在部分差異，本系列包含以下四篇文章，以最常用的儲存服務 Azure Storage Account 為例，簡單講解這兩項服務。

  • 【Azure VNet】服務端點 vs 專用端點

架構說明

以下 Demo 架構供 VNet 中的 VM 透過 Private Endpoint 訪問 Azure Storage ：

  • 對停用外網訪問的 Azure Storage 建立 Private Endpoint 連線。

  • VNet 中的 VM 使用私人 IP 訪問 Azure Storage。

環境建立

如上述架構圖我們總共需要四項服務，而其中的 VNet、VM 和 Storage 的設定都與前一篇介紹 Service Endpoint 時相同，可以直接參考下列連結喔！

另外一個提醒，架構中 VM 與 Private Endpoint 的 IP 如果沒有額外處理，預設建立時都會是動態分配的，如果想要完全跟著圖中的 10.1.1.4 與 10.1.1.5 設定，那就必須留意建立的順序。

相關連結：【Azure VNet】虛擬網路中的服務端點

調整儲存體帳戶的網路設定

以上都建立完成後我們先進入 Storage，前篇文章也有提到 Storage 在剛建立起來時，對於公網的預設存取是完全開放的，而在使用 Private Endpoint 時公用網路存取是可以完全停用的。

完全停用公用網路存取

建立 Private Endpoint

接著需要建立 Private Endpoint 來連線已經停用網路存取的 Storage，繼續停留在 Storage 的「網路」頁面中，將上方的頁籤切換到「私人端點連線」後點擊「＋私人端點」。

建立 Private Endpoint

這邊需要注意區域必須與 VNet 是相同的，基本資訊填妥後切換到「資源」頁面。

接著我們需要設定 Private Endpoint 連接到的服務種類，因為我們是從 Storage 的頁面開始創建的，所以這邊會直接帶上資源類型 Microsoft.Storage/storageAccounts 與目標資源，而 Storage 的子資源共有六種，這些子資源的差別目前跟我們比較沒關係，可以直接選擇最基本的 blob 即可。

選擇子資源

「虛擬網路」這邊基本上就是設定 Private Endpoint 的 IP 所在網段，根據 Demo 的架構圖，直接選到 VM 所在的相同 VNet 與 Subnet。

選到 VM 所在的 Subnet

在 DNS 的部分為了不要偏離本篇主題，在「與私人 DNS 區域整合」中先選擇「否」。

不要與私人 DNS 區域整合

再來就一直下一步點到建立就可以了，大概需要幾分鐘的時間，建立完成後進到「DNS 設定」。

私人端點資訊

到此我們完成了 Private Endpoint 的建立，而我們可以從「DNS設定」中看到 10.1.1.5 的 IP，他是從 Subnet 中自動分配的，記下圖中框起來的資訊，後面我們需要這些來連線到 Storage。

\etc\hosts

再來我們觀察一下，事實上在連線 Storage 時就是使用剛剛在資訊中看到的 FQDN：charlietestblob.blob.core.windows.net，而 Private Endpoint 提供了 10.1.1.5 到 Storage 間的連線，也就是說目前我們還缺少了 FQDN 轉譯到 10.1.1.5 這段，一般在生產環境中這是需要整合私人 DNS 並在上面加上一筆 A 紀錄才能達成的。

但就如前面提到的，私人 DNS 並不是本篇討論的重點，因此我們先透過簡單的方式：改寫 \etc\hosts，來達到一樣的效果。

改寫 \etc\hosts

直接修改 VM 中的 C:\Windows\System32\drivers\etc\hosts 檔案，將 10.1.1.5 charlietestblob.blob.core.windows.net 加到設定中，完成後存檔並關閉檔案。

連線測試

連線測試方式與前一篇相同，這邊就不多贅述了，直接看圖囉！

相關連結：【Azure VNet】虛擬網路中的服務端點

測試成功
另外我們也同步透過 Ping 工具，確認 charlietestblob.blob.core.windows.net 確實有正確解析到 10.1.1.5。

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】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

【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