从零开始通义千问大模型本地化到阿里云通义千问API调用

一、通义千问大模型介绍

何为"通义千问"？

"通义千问大模型"是阿里云推出的一个超大规模的语言模型，具有强大的归纳和理解能力，可以处理各种自然语言处理任务，包括但不限于文本分类、文本生成、情感分析等。此模型能够极大地提高了自然语言处理的效率和准确性，给用户提供了一种新的、简便的工具。

通义千问全面开放

2023年9月13号，阿里云宣布通义千问大模型已首批通过备案，并正式向公众开放，个人/企业用户可以通过阿里云调用通义千问API。
通义千问模型细解 :https://modelscope.cn/models/qwen/Qwen-7B-Chat/summary
7B试用地址 ：https://modelscope.cn/studios/qwen/Qwen-7B-Chat-Demo/summary?login=from_csdn

通义千问能力

正常对话基本秒级输出，初步达到商业化的标准

用途：

创作文字，如写故事、写公文、写邮件、写剧本、写诗歌等
编写代码
提供各类语言的翻译服务，如英语、日语、法语、西班牙语等
进行文本润色和文本摘要等工作
扮演角色进行对话
制作图表
...

二、本地化部署

通义千问的本地化部署和API还是非常简明的，虽然不是一键，但也差不多了。

1、配置

python >=3.8及以上版本

pytorch 1.12及以上版本，推荐2.0及以上版本

建议使用CUDA 11.4及以上（GPU用户、flash-attention用户等需考虑此选项）

pip install modelscope

2、示例代码

python 复制代码

from modelscope import AutoModelForCausalLM, AutoTokenizer, snapshot_download
from modelscope import GenerationConfig

# Note: The default behavior now has injection attack prevention off.
model_dir = snapshot_download("qwen/Qwen-7B-Chat", revision = 'v1.1.4')
tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)
# use fp16
# model = AutoModelForCausalLM.from_pretrained(model_dir, device_map="auto", trust_remote_code=True, fp16=True).eval()

model = AutoModelForCausalLM.from_pretrained(model_dir, device_map="auto", trust_remote_code=True).eval()

# Specify hyperparameters for generation
model.generation_config = GenerationConfig.from_pretrained(model_dir, trust_remote_code=True) # 可指定不同的生成长度、top_p等相关超参

# 第一轮对话 1st dialogue turn
response, history = model.chat(tokenizer, "你好", history=None)
print(response)
# 你好！很高兴为你提供帮助。

# 第二轮对话 2nd dialogue turn
response, history = model.chat(tokenizer, "给我讲一个年轻人奋斗创业最终取得成功的故事。", history=history)
print(response)

3、运行结果

注：第一次运行需要从魔塔社区qwen/Qwen-7B-Chat下载模型，记得关掉翻墙

注：运行后模型会自动安装至：C:\Users\Admin.cache\modelscope\ast_indexer

到这里就本地化部署完了，后续可以使用量化到16f的14B模型，这个各项性能是最好的。有微调需求请参考：https://modelscope.cn/models/qwen/Qwen-7B-Chat/summary

三、调用通义千问API

1、快速开始

官方教程：https://help.aliyun.com/zh/dashscope/developer-reference/quick-start?spm=a2c4g.11186623.0.i0

教程主要分三部分：

（1）获得通义千问的API-KEY ：开通DashScope并创建API-KEY。

（2）安装DashScope 库 ：pip install dashscope

（3）python调用通义千问API：

python 复制代码

# For prerequisites running the following sample, visit https://help.aliyun.com/document_detail/611472.html
from http import HTTPStatus
import dashscope
dashscope.api_key='YourAPIKey' #填入第一步获取的APIKEY

def call_with_messages():
    messages = [{'role': 'system', 'content': 'You are a helpful assistant.'},
                {'role': 'user', 'content': '如何做炒西红柿鸡蛋？'}]

    response = dashscope.Generation.call(
        dashscope.Generation.Models.qwen_turbo,
        messages=messages,
        result_format='message',  # set the result to be "message" format.
    )
    if response.status_code == HTTPStatus.OK:
        print(response)
    else:
        print('Request id: %s, Status code: %s, error code: %s, error message: %s' % (
            response.request_id, response.status_code,
            response.code, response.message
        ))


if __name__ == '__main__':
    call_with_messages()

运行结果：

更多请参考通义千问API详情

2、API计量计费

模型服务	计费单元
通义千问	Token

注：

Token是模型用来表示自然语言文本的基本单位，可以直观的理解为"字"或"词"。对于中文文本来说，1个token通常对应一个汉字；对于英文文本来说，1个token通常对应3至4个字母。

通义千问模型服务根据模型输入和输出的总token数量进行计量计费，其中多轮对话中的history作为输入也会进行计量计费。每一次模型调用产生的实际token数量可以从

response 中获取。

模型名	计费单价
qwen-turbo	0.008元/1,000 tokens
qwen-plus	0.02元/1,000 tokens
qwen-max	限时免费开放中

通义千问整体从API价格上说相比OpenAI优势不大、限流上也不占据优势，唯一的好处就是，国内初学者使用的时候方便又快捷

在魔塔社区中也可设置环境变量DASHSCOPE_API_KEY =apikey，不需要再代码中设置，隐藏apikey，让开发者在创空间中也能快捷调用大模型了。这酱紫demo制作空间就广阔了一点点。

希望国内的硬件能早日起来

从零开始 通义千问大模型本地化到阿里云通义千问API调用