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...

【Azure Kubernetes Service】在 AKS 中使用 NFS 靜態掛載 Azure Blob Storage

運行在 AKS 中的 Pod 如果有產生或需要使用到資料時,一般都會將資料存放在容器的肚子裡頭,這會導致在容器或 Pod 重啟時丟失資料,若要解決這個問題,就需要在 AKS 上掛載額外的儲存體。

在 Azure 中當然就是首選 Azure Blob Storage,本篇文章會介紹使用 NFS 連線 Blob Storage,使用靜態方式佈建磁碟區 (PV) 並將其與 Pod 掛接,以此將 Blob Storage 作為 Pod 的儲存體使用。

建立 AKS

在將 AKS 掛載上 Blob Storage 前,必須先為 AKS 啟用相應的 CSI 驅動程式,而在建立 AKS 時順帶啟用驅動程式,使用以下 az cli 指令是最快速的方式。

其中帶上的 --enable-blob-driver 參數即是在建立 AKS 時啟用 CSI 驅動程式。AKS 的建立其實還有很多複雜的設定,不過這並不是本篇的重點,其他的參數就不多加贅述了。

AKS 建立完成

建立 Azure Blob Storage

我們首先需要建立儲存體帳戶,其中在「進階」頁面記得要勾選「啟用網路檔案系統 v3」,因為我們需要使用 NFS 來連線 Blob Storage。

啟用 NFS v3

而啟用 NFS v3 的必要條件是啟用階層命名空間,記得要一起勾選。接著進入「網路」頁面:

設定 VNet

因為啟用了 NFS v3,在網路存取這邊就沒辦法設定「在所有網路啟用公用存取」;再者也因為後續是要讓 AKS 來存取這個 Storage,所以這邊也需要選到 AKS 所在的 Subnet 並透過 Service Endpoint 的方式提供 AKS 來訪問,關於 Service Endpoint 的詳情可以參考以下連結。

相關連結:【Azure VNet】虛擬網路中的服務端點

儲存體帳戶建立完成後,如下圖再任意建一個要掛載上 AKS 的 Blob 容器就可以了。

建立 Blob 容器

PV

會使用到的資源我們都已經建立完成了,接著我們需要編寫 AKS 中的 PV。

其中比較需要注意的地方:

  • spec.capacity.storage:事實上 Blob Storage 的空間是無限的💲💵,但在 Kubernetes 中該參數是必要的,所以任意給一個數值即可。

  • spec.csi.volumeHandle:該值必須要全域唯一。

  • spec.csi.volumeAttributes:填入要連線的資源群組、儲存體帳戶與 Blob 容器資訊。

PVC

再來到 PVC 的部分:

PVC 比較沒有需要注意的地方,記得命名要互相有對上就可以了。

Pod

 PV 與 PVC 完成後,可以使用以下 Pod 的範例 YAML 檔來宣告掛載設定:

其中的 mountPath: "/mnt/blob" 即表示掛載的路徑為 /mnt/blob

三個部分的 YAML 檔都完成後,就可以使用 kubectl apply 指令對 AKS 分別執行。

測試掛載

測試的想法很簡單,就是直接往掛載路徑寫一個測試的檔案,然後再回到 Blob 容器的 Portal 畫面中,確認檔案是否被建立。

以下的 kubectl exec 指令可以直接連線進入 Pod 內的 Nginx 容器:

在 Nginx 容器中,我們使用 echo 指令寫了一個簡單的 TXT 檔到掛載路徑上。

接著我們轉到Blob 容器的 Portal 畫面中,這邊因為我們在建立儲存體帳戶時限制了網路存取,如果畫面顯示異常的話,記得將自己的訪問 IP 加到儲存體帳戶的白名單中,一切順利後就能看到我們 echo 進來的 test.txt 囉!

寫入成功

總結

對於 Docker 或 Kubernetes 來說,使用 Volume 來存放永久資料是很常見的作法。而在 Azure 中,結合 AKS 與 Azure Blob Storage 來做到資料儲存與共用可以說是很「雲端」的方案。

但為了實現這樣的架構,需要從網路 Infra 、雲端管理員到開發編寫 YAML 互相溝通配合才能完成,雲端漸漸地打破了傳統地端的分工模式,這也是一個最近很有感的體悟,哈!

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...

【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...

【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。