灵积模型-阿里云市场
								专用API
							 
						
							【更新时间: 2024.08.02】
                                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。
						 
						
									通义千问:0.008元/千tokens
								去服务商官网采购>
							 
						 | 
					
 
				浏览次数
			 
			
				220
			 
		
				采购人数
			 
			
				5
			 
		
				试用次数
			 
			
				0
			 
		
        收藏
     
× 
    完成 
        取消
         
    × 
			
				书签名称
			 
			确定 
			 | 
				
- API详情
 - 定价
 - 使用指南
 - 常见 FAQ
 - 关于我们
 - 相关推荐
 
					
				什么是阿里云市场的灵积模型?
阿里大模型灵积服务(DashScope)是一款由阿里云开发的高性能AI大模型服务,专注于提供自然语言处理、图像识别等领域的先进人工智能解决方案。该服务集成了阿里云强大的计算能力和AI技术,旨在为企业和开发者提供易于使用、高效的AI工具,帮助他们在各自领域中实现智能化和自动化。

阿里云市场的灵积模型有哪些核心功能?
| 
 
 模型推理  | 
 
 模型定制  | 
 
 模型部署管理  | 
阿里云市场的灵积模型的核心优势是什么?
| 
 
 优秀的开发体验  | 
 
 灵活的弹性底座  | 
 
 丰富的模型生态  | 
在哪些场景会用到阿里云市场的灵积模型?
| 
 电商平台 通过自然语言处理和图像识别技术,优化商品推荐、自动分类和客户服务,提升用户购物体验。例如,利用情感分析技术,帮助客服系统更好地理解客户情绪,提供个性化服务。  | 
 
 
  | 
| 
 
  | 
 
 金融行业 利用数据分析和智能预测功能,进行风险评估、市场预测和客户行为分析,帮助金融机构做出更智能的投资决策。例如,通过大模型分析市场趋势,提供精准的投资建议,降低投资风险。  | 
| 
 教育和研究 教育机构和研究人员使用模型进行学术研究和教育应用。  | 
 
  | 
| 
 
  | 
 企业解决方案 企业利用模型服务优化业务流程和提高决策效率。 
  | 
				
			
				
			快速入门
本文以通义千问大模型(qwen-turbo)为例,介绍通过DashScope玩转大语言模型的基本使用方法。
大语言模型可以与人类就几乎任何话题进行海阔天空的聊天。小明周末在家想做一顿美餐,但由于他是厨房新手,不知道该怎么烹饪。他希望聊天大模型能够帮到他,于是向大模型提出:“用萝卜、土豆、茄子做饭,给我个菜谱”。
前提条件
- 
请您参考API-KEY的获取与配置,开通DashScope并获得API-KEY。
 - 
您可以使用OpenAI SDK、DashScope SDK或HTTP接口调用通义千问模型,请您根据您的需求,参考以下方式准备您的计算环境。
调用方式
准备条件
通过OpenAI Python SDK调用
您可以通过以下命令安装或更新OpenAI SDK:
# 如果下述命令报错,请将pip替换为pip3 pip install -U openai您需要配置的base_url如下:
https://dashscope.aliyuncs.com/compatible-mode/v1通过OpenAI兼容-HTTP调用
如果您需要通过OpenAI兼容的HTTP方式进行调用,需要配置的完整访问endpoint如下:
POST https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions通过DashScope SDK调用
DashScope SDK提供了Python和Java两个版本,请参考安装SDK,安装最新版SDK。
通过DashScope HTTP调用
如果您需要通过DashScope的HTTP方式进行调用,需要配置的完整访问endpoint如下:
POST https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation 
从最简单的指令开始
您可以通过OpenAI SDK或OpenAI兼容的HTTP方式调用通义千问模型。
示例代码
from openai import OpenAI
import os
def get_response():
    client = OpenAI(
        api_key=os.getenv("DASHSCOPE_API_KEY"), # 如果您没有配置环境变量,请在此处用您的API Key进行替换
        base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",  # 填写DashScope服务的base_url
    )
    completion = client.chat.completions.create(
        model="qwen-turbo",
        messages=[
            {'role': 'system', 'content': 'You are a helpful assistant.'},
            {'role': 'user', 'content': '用萝卜、土豆、茄子做饭,给我个菜谱。'}],
        temperature=0.8,
        top_p=0.8
        )
    print(completion.model_dump_json())
if __name__ == '__main__':
    get_response()
返回结果
{
  "id": "chatcmpl-cb68d043-fc6d-9b3b-87d2-151e2a0f6ac4",
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "logprobs": null,
      "message": {
        "content": "当然可以,这里有一个简单的三菜合一的菜品建议:蔬菜炖豆腐。这道菜结合了萝卜、土豆和茄子,营养丰富,做法也相当简单:\n\n**材料:**\n1. 萝卜半个\n2. 土豆1个\n3. 茄子2个\n4. 嫩豆腐1块\n5. 大葱1根\n6. 生姜适量\n7. 大蒜2瓣\n8. 食用油适量\n9. 盐适量\n10. 料酒适量\n11. 鸡精或味精适量\n12. 清水适量\n\n**步骤:**\n1. 萝卜、土豆去皮切块,茄子洗净去蒂,切成滚刀块。大葱切段,生姜切片,大蒜切末。\n2. 豆腐切块,放入开水中焯水,捞出沥干备用,这样可以去腥并使豆腐更加嫩滑。\n3. 热锅凉油,放入葱姜蒜爆香。\n4. 放入土豆块,翻煎至微黄色,再加入萝卜块和茄子块,继续翻炒均匀。\n5. 加入料酒,翻炒均匀后,倒入足够的清水,水量要没过所有蔬菜。\n6. 煮沸后转小火,慢慢炖煮15-20分钟,让蔬菜充分吸收汤汁。\n7. 加入焯过水的豆腐,再次煮沸后转小火,盖上锅盖炖5分钟左右,让豆腐充分入味。\n8. 最后加入适量的盐和鸡精(或其他调味品),搅拌均匀,尝一下味道,根据需要调整。\n9. 关火,撒上一些葱花点缀,即可出锅。\n\n这道菜色彩丰富,营养均衡,是一道适合家常的健康菜肴。",
        "role": "assistant",
        "function_call": null,
        "tool_calls": null
      }
    }
  ],
  "created": 1721636832,
  "model": "qwen-turbo",
  "object": "chat.completion",
  "service_tier": null,
  "system_fingerprint": null,
  "usage": {
    "completion_tokens": 398,
    "prompt_tokens": 32,
    "total_tokens": 430
  }
}
			
		
				
			


				
			
				
			快速入门
本文以通义千问大模型(qwen-turbo)为例,介绍通过DashScope玩转大语言模型的基本使用方法。
大语言模型可以与人类就几乎任何话题进行海阔天空的聊天。小明周末在家想做一顿美餐,但由于他是厨房新手,不知道该怎么烹饪。他希望聊天大模型能够帮到他,于是向大模型提出:“用萝卜、土豆、茄子做饭,给我个菜谱”。
前提条件
- 
请您参考API-KEY的获取与配置,开通DashScope并获得API-KEY。
 - 
您可以使用OpenAI SDK、DashScope SDK或HTTP接口调用通义千问模型,请您根据您的需求,参考以下方式准备您的计算环境。
调用方式
准备条件
通过OpenAI Python SDK调用
您可以通过以下命令安装或更新OpenAI SDK:
# 如果下述命令报错,请将pip替换为pip3 pip install -U openai您需要配置的base_url如下:
https://dashscope.aliyuncs.com/compatible-mode/v1通过OpenAI兼容-HTTP调用
如果您需要通过OpenAI兼容的HTTP方式进行调用,需要配置的完整访问endpoint如下:
POST https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions通过DashScope SDK调用
DashScope SDK提供了Python和Java两个版本,请参考安装SDK,安装最新版SDK。
通过DashScope HTTP调用
如果您需要通过DashScope的HTTP方式进行调用,需要配置的完整访问endpoint如下:
POST https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation 
从最简单的指令开始
您可以通过OpenAI SDK或OpenAI兼容的HTTP方式调用通义千问模型。
示例代码
from openai import OpenAI
import os
def get_response():
    client = OpenAI(
        api_key=os.getenv("DASHSCOPE_API_KEY"), # 如果您没有配置环境变量,请在此处用您的API Key进行替换
        base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",  # 填写DashScope服务的base_url
    )
    completion = client.chat.completions.create(
        model="qwen-turbo",
        messages=[
            {'role': 'system', 'content': 'You are a helpful assistant.'},
            {'role': 'user', 'content': '用萝卜、土豆、茄子做饭,给我个菜谱。'}],
        temperature=0.8,
        top_p=0.8
        )
    print(completion.model_dump_json())
if __name__ == '__main__':
    get_response()
返回结果
{
  "id": "chatcmpl-cb68d043-fc6d-9b3b-87d2-151e2a0f6ac4",
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "logprobs": null,
      "message": {
        "content": "当然可以,这里有一个简单的三菜合一的菜品建议:蔬菜炖豆腐。这道菜结合了萝卜、土豆和茄子,营养丰富,做法也相当简单:\n\n**材料:**\n1. 萝卜半个\n2. 土豆1个\n3. 茄子2个\n4. 嫩豆腐1块\n5. 大葱1根\n6. 生姜适量\n7. 大蒜2瓣\n8. 食用油适量\n9. 盐适量\n10. 料酒适量\n11. 鸡精或味精适量\n12. 清水适量\n\n**步骤:**\n1. 萝卜、土豆去皮切块,茄子洗净去蒂,切成滚刀块。大葱切段,生姜切片,大蒜切末。\n2. 豆腐切块,放入开水中焯水,捞出沥干备用,这样可以去腥并使豆腐更加嫩滑。\n3. 热锅凉油,放入葱姜蒜爆香。\n4. 放入土豆块,翻煎至微黄色,再加入萝卜块和茄子块,继续翻炒均匀。\n5. 加入料酒,翻炒均匀后,倒入足够的清水,水量要没过所有蔬菜。\n6. 煮沸后转小火,慢慢炖煮15-20分钟,让蔬菜充分吸收汤汁。\n7. 加入焯过水的豆腐,再次煮沸后转小火,盖上锅盖炖5分钟左右,让豆腐充分入味。\n8. 最后加入适量的盐和鸡精(或其他调味品),搅拌均匀,尝一下味道,根据需要调整。\n9. 关火,撒上一些葱花点缀,即可出锅。\n\n这道菜色彩丰富,营养均衡,是一道适合家常的健康菜肴。",
        "role": "assistant",
        "function_call": null,
        "tool_calls": null
      }
    }
  ],
  "created": 1721636832,
  "model": "qwen-turbo",
  "object": "chat.completion",
  "service_tier": null,
  "system_fingerprint": null,
  "usage": {
    "completion_tokens": 398,
    "prompt_tokens": 32,
    "total_tokens": 430
  }
}
				
			
			
		
				
			


			
									









