通义千问 ( 一 ) 基础实例

已于 2024-08-17 16:42:56 修改
阅读量2.5k 收藏 21
点赞数 24
分类专栏： 人工智能 文章标签： 通义千问 人工智能 AI
于 2024-08-17 08:24:49 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/yuanchun05/article/details/141275199
版权

1.相关概念

1.1.模型与平台

1.1.1.通义千问

通义千问 : 是阿里云研发的大语言模型；用于理解和分析用户输入的自然语言，在不同领域和任务为用户提供服务和帮助。

具体应用场景如下：

  • 文字创作：撰写故事、公文、邮件、剧本和诗歌等。

  • 文本处理：润色文本和提取文本摘要等。

  • 编程辅助：编写和优化代码等。

  • 翻译服务：提供各类语言的翻译服务，如英语、日语、法语或西班牙语等。

  • 对话模拟：扮演不同角色进行交互式对话。

  • 数据可视化：图表制作和数据呈现等。

1.1.2.灵积 ( DashScope )

灵积 (英文名 DashScope ) : 是阿里云推出的模型服务平台，提供了包括通义千问在内的多种模型的服务接口，建立在“模型即服务”（Model-as-a-Service，MaaS）的理念基础之上，围绕AI各领域模型，通过标准化API接口提供模型推理等服务，为用户打造一站式模型解决方案。

1.2.API-KEY

API-KEY

DashScope使用API-KEY作为调用API的密钥。API-KEY承担了调用鉴权、计量计费等功能。API-KEY被广泛应用于DashScope API中，通过 api-key 参数指定。DashScope中所有不同的模型API服务都可以使用一个API-KEY、以一致的编程方式进行调用，方便开发者进行跨模态的、多个模型的接续调用。

API-KEY是访问DashScope的密钥，请务必妥善保存。不要以任何方式公开到外部渠道，避免因未经授权的使用造成安全风险或资金损失。

推荐将API-KEY配置到环境变量中以降低API-KEY的泄漏风险

https://help.aliyun.com/zh/dashscope/developer-reference/acquisition-and-configuration-of-api-key?spm=a2c4g.11186623.0.0.42b6b400xOdsJb

如何获取通义千问API的KEY_模型服务灵积(DashScope)-阿里云帮助中心 (aliyun.com)

1.3.模型分类及token与收费

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，千问模型的1个token通常对应一个1.5-1.8个汉字；

对于英文文本来说，1个token通常对应3至4个字母或1个单词。

例如，中文文本“你好，我是通义千问”会被转换成序列[‘你好’, ‘，’, ‘我是’, ‘通’, ‘义’, ‘千’, ‘问’]，而英文文本"Nice to meet you."则会被转换成[‘Nice’, ’ to’, ’ meet’, ’ you’, ‘.’]；图片将按照图片尺寸、图片大小、分辨率不同会转换成不同长度地token序列。

1.3.1.qwen-max

通义千问系列效果最好的模型，适合复杂、多步骤的任务。

上下文长度（Token数）最大输入（Token数）最大输出（Token数）输入成本（每千Token）输出成本（每千Token）
8k6k2k0.04元0.12元

1.3.2.qwen-plus

能力均衡，推理效果和速度介于通义千问-Max和通义千问-Turbo之间，适合中等复杂任务。

上下文长度（Token数）最大输入（Token数）最大输出（Token数）输入成本（每千Token）输出成本（每千Token）
32k30k8k0.004元0.012元

1.3.3.qwen-turbo

通义千问系列速度最快、成本很低的模型，适合简单任务。

上下文长度（Token数）最大输入（Token数）最大输出（Token数）输入成本（每千Token）输出成本（每千Token）
8k6k1.5k0.002元0.006元

每个模型还有一些小模型

2.基础说明

2.1.基础案例

创建springboot 项目导入 spring web 依赖

2.1.1.maven导入依赖

<!-- https://mvnrepository.com/artifact/com.alibaba/dashscope-sdk-java -->
<dependency>
    <groupId>com.alibaba</groupId>
    <artifactId>dashscope-sdk-java</artifactId>
    <version>2.16.2</version>
</dependency>

2.1.2.调用代码

创建 controller 类

import com.alibaba.dashscope.aigc.generation.Generation;
import com.alibaba.dashscope.aigc.generation.GenerationParam;
import com.alibaba.dashscope.aigc.generation.GenerationResult;
import com.alibaba.dashscope.common.Message;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.InputRequiredException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;
import com.alibaba.dashscope.utils.JsonUtils;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

import java.util.Arrays;

@RestController
@RequestMapping("/tongyi")
public class CallBaseController {

    @Value("${tongyi.api-key}")
    private String apiKey;


    @RequestMapping("/call/base")
    public String callBase(@RequestParam(value = "message", required = false, defaultValue = "中国的首都是哪里?") String message) throws NoApiKeyException, InputRequiredException {

        GenerationResult result = callWithMessage(message);
        System.out.println(JsonUtils.toJson(result));
        return result.getOutput().getChoices().get(0).getMessage().getContent();

    }


    public GenerationResult callWithMessage(String message) throws ApiException, NoApiKeyException, InputRequiredException {
        // 设置API密钥
        Constants.apiKey = apiKey;
        // 初始化生成对象
        Generation gen = new Generation();

        // 构建[ 系统 ]消息，说明AI助手的角色定位
        Message systemMsg = Message.builder()
                .role(Role.SYSTEM.getValue())
                .content("你是一个乐于助人的AI助手.")
                .build();

        // 构建[ 用户 ]消息，内容为用户的问题或指令
        Message userMsg = Message.builder()
                .role(Role.USER.getValue())
                .content(message)
                .build();

        // 构建生成参数对象，用于定制化生成请求
        GenerationParam param = GenerationParam.builder()
                .model("qwen-turbo") // 选择使用的模型
                .messages(Arrays.asList(systemMsg, userMsg)) // 设置消息列表，包括系统消息和用户消息
                .resultFormat(GenerationParam.ResultFormat.MESSAGE) // 设置返回格式为消息格式
                .topK(50) // 设置Top-K参数，控制生成结果的多样性
                .temperature(0.8f) // 设置温度参数，控制生成结果的随机性
                .topP(0.8) // 设置Top-P参数，进一步控制生成结果的多样性
                .seed(1234) // 设置随机种子，以获得可复现的生成结果
                .build();

        // 调用生成对象的call方法，执行生成请求，并返回生成结果
        return gen.call(param);

    }
}

请求

GET http://localhost:8081/tongyi/call/base?message=你是谁？

HTTP/1.1 200 

我是阿里云开发的一款超大规模语言模型，我叫通义千问。作为一个AI助手，我的目标是帮助用户获得准确、有用的信息，解决他们的问题和困惑。无论是提供知识解答、创意建议，还是进行信息查询，我都致力于以最有效的方式提供帮助。

返回的结果

{
  "requestId": "fbd59659-bf46-9bf8-9c9b-58934190e57d",
  "usage": {
    "input_tokens": 25,
    "output_tokens": 60,
    "total_tokens": 85
  },
  "output": {
    "choices": [
      {
        "finish_reason": "stop",
        "message": {
          "role": "assistant",
          "content": "我是阿里云开发的一款超大规模语言模型，我叫通义千问。作为一个AI助手，我的目标是帮助用户获得准确、有用的信息，解决他们的问题和困惑。无论是提供知识解答、创意建议，还是进行信息查询，我都致力于以最有效的方式提供帮助。"
        }
      }
    ]
  }
}

2.2.多轮对话案例

多轮对话可以让大模型参考历史对话信息，更符合日常交流的场景。

实现多轮对话的关键在于维护一个存放历史对话信息的列表，并将更新后的列表作为大模型的输入，从而使大模型可以参考历史对话信息进行回复。

如果对话轮数较多，可能会超过大模型可以输入的token上限。需要控制输入大模型的token数量。

2.2.1.调用代码

import com.alibaba.dashscope.aigc.generation.Generation;
import com.alibaba.dashscope.aigc.generation.GenerationParam;
import com.alibaba.dashscope.aigc.generation.GenerationResult;
import com.alibaba.dashscope.common.Message;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.InputRequiredException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

import java.util.ArrayList;
import java.util.List;

@RestController
@RequestMapping("/tongyi")
public class CallManyController {

    @Value("${tongyi.api-key}")
    private String apiKey;


    // 历史消息列表
    private List<Message> historyMessage =
            new ArrayList<>(List.of(createMessage(Role.SYSTEM, "你是一个乐于助人的AI助手. 可以按照使用者来设置身份, 你要记住这些设置!")));
    // 历史消息列表的最大长度
    private int maxLen = 10;


    @RequestMapping("/call/many")
    public String callMany(@RequestParam(value = "message", required = false, defaultValue = "中国的首都是哪里?") String message) throws NoApiKeyException, InputRequiredException {

        // 用户输入的文本是UserMessage
        historyMessage.add(createMessage(Role.USER, message));

        // 发给AI前对历史消息对列的长度进行检查
        if (historyMessage.size() > maxLen) {
            historyMessage = historyMessage.subList(historyMessage.size() - maxLen - 1, historyMessage.size());
        }
        System.out.println("模型输入：" + historyMessage);

        GenerationParam param = createGenerationParam(historyMessage);
        GenerationResult result = callGenerationWithMessages(param);
        System.out.println("模型输出：" + result.getOutput().getChoices().get(0).getMessage().getContent());
        historyMessage.add(result.getOutput().getChoices().get(0).getMessage());

        return result.getOutput().getChoices().get(0).getMessage().getContent();
    }


    public GenerationParam createGenerationParam(List<Message> messages) {
        return GenerationParam.builder()
                .model("qwen-turbo")
                .messages(messages)
                .resultFormat(GenerationParam.ResultFormat.MESSAGE)
                .topP(0.8)
                .build();
    }

    public GenerationResult callGenerationWithMessages(GenerationParam param) throws ApiException, NoApiKeyException, InputRequiredException {
        // 设置API密钥
        Constants.apiKey = apiKey;
        Generation gen = new Generation();
        return gen.call(param);
    }


    private static Message createMessage(Role role, String content) {
        return Message.builder().role(role.getValue()).content(content).build();
    }

}

2.2.2.测试

###
GET http://localhost:8081/tongyi/call/many?
    message=你现在的名字叫王小二

###
GET http://localhost:8081/tongyi/call/many?
    message=你是一名大学生

###
GET http://localhost:8081/tongyi/call/many?
    message=你的学习成绩很好, 也很乐意帮助别人

###
GET http://localhost:8081/tongyi/call/many?
    message=现在介绍一下你自己, 你的名字, 你的身份, 你的性格

2.3.prompt

通过prompt方式调用时，输入与输出的数据格式比messages方式简单，更适合单轮问答等简单场景；在更复杂的场景中推荐您通过messages方式调用。

import com.alibaba.dashscope.aigc.generation.Generation;
import com.alibaba.dashscope.aigc.generation.GenerationParam;
import com.alibaba.dashscope.aigc.generation.GenerationResult;
import com.alibaba.dashscope.aigc.generation.models.QwenParam;
import com.alibaba.dashscope.common.Message;
import com.alibaba.dashscope.common.ResultCallback;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.InputRequiredException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;
import com.alibaba.dashscope.utils.JsonUtils;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

import java.util.Arrays;
import java.util.concurrent.Semaphore;

@RestController
@RequestMapping("/tongyi")
public class CallPromptController {

    @Value("${tongyi.api-key}")
    private String apiKey;


    @RequestMapping("/call/prompt")
    public String callBase(@RequestParam(value = "message", required = false, defaultValue = "中国的首都是哪里?") String message) throws NoApiKeyException, InputRequiredException {

        try {
            GenerationResult result = qwenQuickStart(message);

            qwenQuickStartCallback(message);
            System.out.println(JsonUtils.toJson(result));
            return result.getOutput().getText();
        } catch (ApiException | NoApiKeyException | InputRequiredException
                 | InterruptedException e) {
            System.out.println(String.format("Exception %s", e.getMessage()));
        }
        return null;
    }

    /**
     * 使用通义灵码快速开始生成文本
     */
    public GenerationResult qwenQuickStart(String prompt) throws NoApiKeyException, ApiException, InputRequiredException {
        // 设置API密钥
        Constants.apiKey = apiKey;
        // 创建Generation实例，用于调用API生成文本
        Generation gen = new Generation();
        // 构建请求参数
        QwenParam param = QwenParam.builder()
                .model(Generation.Models.QWEN_TURBO) // 设置使用的模型为Qwen Turbo
                .prompt(prompt) // 设置提示词
                .topP(0.8) // 设置采样参数topP，0.8表示在概率为0.8的范围内采样
                .build();
        // 调用API生成文本
        GenerationResult result = gen.call(param);
        // 打印生成结果的JSON格式
        System.out.println(JsonUtils.toJson(result));
        // 返回生成结果
        return result;
    }


    // 回调方式实现的轻量级快速开始示例
    // 该方法演示了如何通过回调实时处理请求
    // 参数：prompt - 生成文本的提示信息
    // 异常：NoApiKeyException - 未设置API密钥异常, ApiException - API调用异常, InputRequiredException - 必需输入缺失异常, InterruptedException - 线程中断异常
    public void qwenQuickStartCallback(String prompt) throws NoApiKeyException, ApiException, InputRequiredException, InterruptedException {
        // 设置API密钥
        Constants.apiKey = apiKey;
        // 创建生成实例
        Generation gen = new Generation();
        // 构建请求参数
        QwenParam param = QwenParam.builder()
                .model(Generation.Models.QWEN_TURBO) // 指定模型
                .prompt(prompt) // 设置提示信息
                .topP(0.8) // 设置采样参数，这里表示top-p采样
                .build();

        // 使用信号量控制回调的完成
        Semaphore semaphore = new Semaphore(0);

        // 调用生成接口，并指定回调处理结果
        gen.call(param, new ResultCallback<GenerationResult>() {

            // 当生成结果时触发
            @Override
            public void onEvent(GenerationResult message) {
                System.out.println(message);
            }

            // 当发生错误时触发
            @Override
            public void onError(Exception ex) {
                System.out.println(ex.getMessage());
                semaphore.release(); // 释放信号量，允许线程继续执行
            }

            // 当生成完成时触发
            @Override
            public void onComplete() {
                System.out.println("onComplete");
                semaphore.release(); // 释放信号量，允许线程继续执行
            }

        });
        // 等待回调完成
        semaphore.acquire();
    }
}
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
风吹落叶的博客
11-16 1万+
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。
基于通义千问2.5-7B-Instruct的技术深度解析
zhangjiaofa的专栏
01-01 1051
通义千问2.5-7B-Instruct是一个基于Transformer架构的大型语言模型，具有70亿参数。它通过自注意力机制和前馈神经网络处理输入序列，能够捕捉长距离依赖关系，适用于多种NLP任务。微调是指在预训练模型的基础上，使用特定任务的数据进行进一步训练，以使模型更好地适应特定任务。微调可以显著提高模型在特定任务上的性能。通义千问2.5-7B-Instruct是一个强大的语言模型，适用于多种NLP任务。通过深入理解其架构、微调方法和核心代码，可以更好地应用于实际场景。
通义千问API入门教程
2401_85317328的博客
05-27 959
以下是通义千问API的入门教程：\n\n一、设置API-KEY\n\n首先，你需要获取并设置API-KEY。例如：`setx DASHSCOPE_API_KEY \\n\n同时，虽然也可以通过代码设置API-KEY，但通常不推荐这种做法，因为这可能导致安全隐患。\n\n二、基于DashScopeSDK开发\n\n1. Maven引入SDK：在你的Maven项目中，你需要引入DashScopeSDK。\n\n请注意，使用通义千问API时，需要遵守相关的使用协议和规定，确保你的行为合法合规。
LangChain4j与DashScope深度集成实战：一站式开发指南
最新发布
advent86的专栏
03-26 1670
本篇文章会通篇详细的讲清楚LangChain4j与DashScope集成的各个方面，从Springboot的集成到Ai对话、会话记忆、RAG、FunctionCalling、互联网搜索、结构化的输出、多模态等都给出相应的说明，希望通过这篇文章对于LLM不了解的同仁一样可以扩展出自己的AI应用。
【AI原理解析】— 通义千问模型
深耕AI领域，专注中、高人工智能领域发展；同步研究电磁学及超导材料、量子力学；关注能源发展和技术，同时进行医学创新
06-20 2594
通义千问是一款基于自然语言处理和知识图谱技术的问答系统，通过解析用户输入、匹配知识图谱、推理和生成答案等步骤，为用户提供准确、全面和个性化的服务
通义千问：阿里巴巴的AI大模型深度解析
m0_70066267的博客
08-02 3601
通义千问是由阿里云开发的一款大型语言模型，旨在为用户提供高效、智能的自然语言处理服务。该模型能够处理多种语言输入，支持文本生成、对话模拟、编程辅助等多种应用场景，展现了其强大的跨语言处理能力和多样化的应用潜力。通义千问的推出，标志着阿里巴巴在AI领域的又一次重大突破，为开发者和企业提供了强大的工具，推动了AI应用的广泛普及和创新。
一文搞懂通义千问(Qwen)相关的核心概念
Code1994的博客
11-06 1万+
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
通过Spring AI 调用通义千问国产大模型_基于Spring AI Alibaba
whisperzzza的博客
10-18 2249
我们可以通过Spring最新推出的Spring AI 框架 来调用通义千问国产大模型。这种集成可以有效的帮助我们过去的系统更智能，还能显著提升用户体验，我将以一个详细的示例进行说明。 通义千问是由国内领先的人工智能企业研发的一款强大语言模型，是国内最优秀的大模型之一。它在自然语言处理、知识图谱构建和智能问答等多个方面表现出色，广泛应用于各个行业。在通义最新的开源版本中，Qwen 2.5已经在开源领域中排名第一，以其卓越的性能和灵活的应用能力赢得了广泛的认可。
【腾讯云 Cloud Studio 实战训练营】手把手带你使用通义千问AI能力+Cloud Studio快速完成Excel工资自动核算
Er1c_w的博客
09-13 950
我们今天到底要干什么，大家应该已经知道了，没错就是实践一下官方“工资核算”的案例，通过对ai大模型的提问，得到我们想要的源代码，然后放到cloud studio里面运行，看是否能够的到我们想要的结果，同时也演示下cloud studio是不是真的丝滑和快读便捷。这里演示的，没有精细到每一步，其实ai给我输出代码的时候，不是一次性成功的，是进行一步步修正的，如果你在实验过程中，没有一点点相关语言基础，实践还是有点困难的，ai不是万能的，不能一次性完全理解我们提供的问题，需要进过多次交互，才能实现我们的要求。
大模型的实践应用24-LLaMA-Factory微调通义千问qwen1.5-1.8B模型的实例
微学AI的博客
05-23 2442
大家好，我是微学AI，今天给大家介绍一下大模型的实践应用24-LLaMA-Factory微调通义千问qwen1.5-1.8B模型的实例, LLaMA-Factory是一个专门用于大语言模型微调的框架，它支持多种微调方法，如LoRA、QLoRA等，并提供了丰富的数据集和预训练模型，便于用户进行模型微调。通义千问Qwen1.5是阿里巴巴推出的一款大型语言模型，具有多语言处理能力和较强的生成能力。
LangChain入门：使用Python和通义千问打造免费的Qwen大模型聊天机器人
南七小僧的学海无涯
07-16 366
LangChain 是一个用于开发由大型语言模型（Large Language Models，简称LLMs）驱动的应用程序的框架。它提供了一个灵活的框架，使得开发者可以构建具有上下文感知能力和推理能力的应用程序，这些应用程序可以利用公司的数据和APIs。这个框架由几个部分组成。LangChain 库：Python 和 JavaScript 库。包含了各种组件的接口和集成，一个基本的运行时，用于将这些组件组合成链和代理，以及现成的链和代理的实现。LangChain 模板。
阿里云通义千
2301_81771576的博客
07-12 962
尤其在中文能力方面，一直处于业界领先地位[^4^]。- **多模态模型**：通义千问不仅仅限于文本处理，它还具备多模态处理能力，例如其视觉理解模型Qwen-VL-Max在多项标准测试中得分超群，已被多家企业采用[^4^]。3. **技术创新**阿里云通义千问是阿里巴巴集团旗下的一款先进的人工智能大模型，具有强大的理解和生成能力，广泛应用于内容创作、翻译服务、文本摘要等多种场景**。- **翻译服务**：通义千问具备强大的翻译服务能力，能够提供多种语言的翻译，满足用户的跨语言交流需求[^5^]。
Maven中scope标签详解
热门推荐
weixin_40017062的博客
01-27 1万+
- compile：编译、测试、打包、运行 - test：测试代码编译、运行 - runtime：测试、打包、运行 - provided：编译、测试 - system：编译、测试，用于导入第三方Jar文件 - import：用于dependencyManagement，从其它的pom中导入dependency的配置 ............
阿里云开源通义千问720亿参数模型，性能超越大部分商用闭源大模型
优快云云计算
12-01 1853
Qwen-72B在10个权威基准测评创下开源模型最优成绩，成为业界最强开源大模型，性能超越开源标杆Llama 2-70B和大部分商用闭源模型。通义千问闭源模型也在持续进化，一个月前发布的通义千问2.0版闭源模型，最近已进阶至2.1版，上下文窗口长度扩展到32k，代码理解生成能力、数学推理能力、中英文百科知识、幻觉诱导抵抗能力分别提升30%、10%、近5%和14%。至此，通义千问共开源18亿、70亿、140亿、720亿参数的4款大语言模型，以及视觉理解、音频理解两款多模态大模型，实现“全尺寸、全模态”开源。
通义千问大模型API调用示例
shenzhibiao的博客
07-21 5133
通义千问是由阿里云自主研发的大语言模型，用于理解和分析用户输入的自然语言。
java如何接入阿里的通义千问
yncjxnc的博客
04-27 1945
阿里云模型服务灵积 DashScope建立在“模型即服务”（Model-as-a-Service，MaaS）的理念基础之上，通过灵活、易用的通义大模型API接口，为AI开发者提供丰富可集成的模型能力，让AI应用开发更简单！通义千问模型具有强大的自然语言处理能力，您可以使用DashScope SDK或HTTP接口调用通义千问模型，将通义千问模型集成到您的业务中。登陆后在左侧可以看到有一个模型广场，不止是通义千问，有很多模型都可以调用，当然有些是要申请才能调用的。模型服务灵积 DashScope - 阿里云。
Py之dashscope：dashscope的简介、安装和使用方法、案例应用之详细攻略
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
06-28 6942
​ Py之dashscope：dashscope的简介、安装和使用方法、案例应用之详细攻略 目录 dashscope的简介 dashscope的安装和使用方法 dashscope的案例应用 dashscope的简介 DashScope(模型服务灵积)，灵积通过灵活、易用的模型API服务，让各种模态模型的能力，都能方便的为AI开发者所用。通过灵积API，开发者不仅可以直接集成大模型的强大能力，也可以对模型进行训练微调，实现模型定制化。 DashScope（模型服务灵积）是一个基于“模型即服务
国内首篇！所有AI大模型一文概括！
2301_82275412的博客
05-07 2680
肝了将近三天的时间，终于完成了这篇“巨作”，也算圆了之前咱们一位终身VIP用户提出的的需求，主打就是宠用户。关于这篇总结，我可以毫不夸张的说，绝对算得上市面第一篇把所有大模型说明白的内容。我凭什么敢这么说？是因为我是真的花时间去搜了，最有意思的是，这排名第一的热度总结是还是一位宠物博主为智谱写的软广。好了，废话不多说，是骡子是马得拉出来溜溜才知道。接下来正式进入正文。咱们先来看看国内的。目前国内较为知名的AI大模型主要有10家，如图：阶跃星辰零一万物月之暗面清华智谱百川智能。
在 Maven 中使用 ＜scope＞ 元素：全面指南
技术分享
03-06 1749
scope><scope><scope><scope>在pom.xml文件的部分，可以为每个依赖项指定<scope>。-- 默认 scope 是 compile -->-- 使用 provided scope -->-- 使用 runtime scope -->-- 使用 test scope --><scope>元素是 Maven 中非常重要的配置项，用于控制依赖项的作用范围。合理使用<scope>可以优化项目的构建过程，减少依赖冲突，并提高构建效率。本文详细介绍了<scope>
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值