Py之dashscope：dashscope的简介、安装和使用方法、案例应用之详细攻略

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

1、产品的主要特点和优势包括：

dashscope的安装和使用方法

1、安装

2、使用方法

dashscope的案例应用

1、通义千问-Max：通义千问2.5系列

2、通义千问-摘要增强版

3、Qwen-Long：支持最长1000万tokens

---

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”（Model-as-a-Service，MaaS）理念的模型服务平台，由阿里云提供。该平台致力于为AI应用开发者提供丰富多样的模型选择，并通过标准化API接口提供包括模型推理、模型微调训练在内的多种模型服务。DashScope的服务以模型为中心，支持AI开发者通过简单的API调用直接集成大模型的能力，同时也支持对模型进行训练微调，实现模型的定制化。

此外，DashScope还提供了免费试用服务，允许开发者在开通服务后查看和使用多种模型。不同模型具有不同的计量单位和免费额度，具体计费方式根据所调用的模型决定。例如，某些模型的计费单元可能是token（用于表示自然语言文本的基本单位），而其他模型可能基于图片张数或时间（秒）进行计费。

总的来说，DashScope是一个功能强大且易于使用的模型服务平台，它为AI应用开发者提供了丰富的模型选择和灵活的服务，使得AI应用开发更加简单和高效。

官网：模型服务灵积 DashScope - 阿里云

1、产品的主要特点和优势包括：

>> 灵活、易用的模型API服务：DashScope提供易于使用的API接口，使得开发者可以方便地集成和使用各种模态模型的能力。

>> 强大的模型支持：依托于业界各领域的优质模型和阿里云强大的基础设施，DashScope为开发者提供了广泛且强大的模型支持。

>> 模型定制化能力：除了直接集成大模型的能力，DashScope还支持对模型进行训练微调，以满足特定应用需求。

>> 标准化API接口：通过标准化的API，DashScope简化了模型服务的集成和使用过程，提高了开发效率。

>> 安全合规性：DashScope提供跨地域的弹性高可用保障、精准的访问权限控制和全面的平台审计功能，确保模型服务全链路的安全稳定和可信。

dashscope的安装和使用方法

1、安装

pip install dashscopepip install -i https://mirrors.aliyun.com/pypi/simple dashscope

2、使用方法

from http import HTTPStatus
import dashscope
from dashscope import Generationdashscope.api_key = 'sk-********6b8ff'
responses = Generation.call(model=Generation.Models.qwen_turbo,prompt='今天天气好吗？')if responses.status_code == HTTPStatus.OK:print(responses.output['text'])
else:print('Failed request_id: %s, status_code: %s, code: %s, message:%s' %(responses.request_id, responses.status_code, responses.code,responses.message))

dashscope的案例应用

持续更新中……

更多案例应用：阿里云登录 - 欢迎登录阿里云，安全稳定的云计算服务平台

1、通义千问-Max：通义千问2.5系列

通义千问2.5系列千亿级别超大规模语言模型，支持中文、英文等不同语言输入。随着模型的升级，qwen-max将滚动更新升级。如果希望使用固定版本，请使用历史快照版本。当前qwen-max模型与qwen-max-0428快照版本等价，均为最新版本的qwen-max模型。

from http import HTTPStatus
from dashscope import Generationdef call_with_stream():messages = [{'role': 'user', 'content': '如何做西红柿炖牛腩？'}]responses = Generation.call("qwen-max",messages=messages,result_format='message',  # 设置输出为'message'格式stream=True,  # 设置输出方式为流式输出incremental_output=True  # 增量式流式输出)for response in responses:if response.status_code == HTTPStatus.OK:print(response.output.choices[0]['message']['content'], end='')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_stream()

2、通义千问-摘要增强版

在大模型通用能力基础上，专门增强了大模型的「文本摘要和总结」能力。

# 业务空间模型调用请参考文档传入workspace信息: https://help.aliyun.com/document_detail/2746874.html    from http import HTTPStatus
from dashscope import Generationdef call_with_stream():messages = [{'role': 'user', 'content': '如何做西红柿炖牛腩？'}]responses = Generation.call("bailian-summary",messages=messages,result_format='message',  # 设置输出为'message'格式stream=True, # 设置输出方式为流式输出incremental_output=True  # 增量式流式输出)for response in responses:if response.status_code == HTTPStatus.OK:print(response.output.choices[0]['message']['content'],end='')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_stream()

3、Qwen-Long：支持最长1000万tokens

Qwen-Long是在通义千问针对超长上下文处理场景的大语言模型，支持中文、英文等不同语言输入，支持最长1000万tokens(约1500万字或1.5万页文档)的超长上下文对话。配合同步上线的文档服务，可支持word、pdf、markdown、epub、mobi等多种文档格式的解析和对话。 说明：通过HTTP直接提交请求，支持1M tokens长度，超过此长度建议通过文件方式提交。

from openai import OpenAIclient = OpenAI(api_key="$your-dashscope-api-key",  # 替换成真实DashScope的API_KEYbase_url="https://dashscope.aliyuncs.com/compatible-mode/v1",  # 填写DashScope服务endpoint
)completion = client.chat.completions.create(model="qwen-long",messages=[{'role': 'system','content': 'You are a helpful assistant.'},{'role': 'system','content': '大型语言模型(llm)已经彻底改变了人工智能领域，使以前被认为是人类独有的自然语言处理任务成为可能...'},{'role': 'user','content': '文章讲了什么？'}],stream=True
)
for chunk in completion:if chunk.choices[0].delta.content is not None:print(chunk.choices[0].dict())