国内大模型API调用实战

最新推荐文章于 2024-09-04 18:30:37 发布
最新推荐文章于 2024-09-04 18:30:37 发布
阅读量1k 收藏 17
点赞数 3
文章标签： 开发语言 人工智能 embedding ai产品经理 api调用 大模型 LLM
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.csdn.net/Wufjsjjx/article/details/140518722
版权

国内大模型API调用实战

今天我们就来具体看下具体大模型厂商API的使用。

1.API

  • deepseek
    deepseek支持requests直接调用和openai式的调用，新注册用户有500万token

      import requests
  import json

  url = "https://api.deepseek.com/chat/completions"

  payload = json.dumps({
     
  "messages": [
      {
     
      "content": "You are a helpful assistant",
      "role": "system"
      },
      {
     
      "content": "Hi",
      "role": "user"
      }
  ],
  "model": "deepseek-coder",
  "frequency_penalty": 0,
  "max_tokens": 2048,
  "presence_penalty": 0,
  "stop": None,
  "stream": False,
  "temperature": 1,
  "top_p": 1,
  "logprobs": False,
  "top_logprobs": None
  })
  headers = {
     
  'Content-Type': 'application/json',
  'Accept': 'application/json',
  'Authorization': 'Bearer <key>'
  }
  response = requests.request("POST", url, headers=headers, data=payload)

  print(response.text)

  from openai import OpenAI
  # for backward compatibility, you can still use `https://api.deepseek.com/v1` as `base_url`.
  client = OpenAI(api_key="sk-4f510fa4ca9d4ea7b56cdca99418fd9d", base_url="https://api.deepseek.com")

  response = client.chat.completions.create(
      model="deepseek-chat",
      messages=[
          {
     "role": "system", "content": "You are a helpful assistant"},
          {
     "role": "user", "content": "Hello"},
  ],
      max_tokens=1024,
      temperature=0.7,
      stream=False
  )

  print(response.choices[0].message.content)

  • 智普AI
    需要安装zhipuai包，新注册用户有赠送token

    • pip install zhipuai

    • Python>=3.7

      from zhipuai import ZhipuAI
client = ZhipuAI(api_key="dd") # 请填写您自己的APIKey
response = client.chat.completions.create(
model="glm-4",  # 填写需要调用的模型名称
    messages=[
        {
       "role": "user", "content": "你好！你叫什么名字"},
    ],
    stream=True,
    )
for chunk in response:
    print(chunk.choices[0].delta)

  • kimi
    kimi也是支持openai样式的调用，新注册用户的15元的赠送

    • pip install --upgrade ‘openai>=1.0’

      from openai import OpenAI

client = OpenAI(
    api_key = "sk-KbwNWKBaRwhkvmfIHeaV4xnlpp3haV7qLr0sSU7wIOI9ZSNh",
    base_url = "https://api.moonshot.cn/v1",
)

completion = client.chat.completions.create(
    model = "moonshot-v1-8k",
    messages = [
        {
       "role": "system", "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。"},
        {
       "role": "user", "content": "你好，我叫李雷，1+1等于多少？"}
    ],
    temperature = 0.3,
)

print(completion.choices[0].message.content)

  • 字节豆包
    豆包需要安装方舟包

    • pip install ‘volcengine-python-sdk[ark]’

      from volcenginesdkarkruntime import Ark

# Authentication
# 1.If you authorize your endpoint using an API key, you can set your api key to environment variable "ARK_API_KEY"
# or specify api key by Ark(api_key="${YOUR_API_KEY}").
# Note: If you use an API key, this API key will not be refreshed.
# To prevent the API from expiring and failing after some time, choose an API key with no expiration date.

# 2.If you authorize your endpoint with Volcengine Identity and Access Management（IAM), set your api key to environment variable "VOLC_ACCESSKEY", "VOLC_SECRETKEY"
# or specify ak&sk by Ark(ak="${YOUR_AK}", sk="${YOUR_SK}").
# To get your ak&sk, please refer to this document([https://www.volcengine.com/docs/6291/65568](https://www.volcengine.com/docs/6291/65568))
# For more information，please check this document（[https://www.volcengine.com/docs/82379/1263279](https://www.volcengine.com/docs/82379/1263279)）
client = Ark()

# Non-streaming:
print("----- standard request -----")
completion = client.chat.completions.create(
  model="${YOUR_ENDPOINT_ID}",
  messages = [
      {
       "role": "system", "content": "你是豆包，是由字节跳动开发的 AI 人工智能助手"},
      {
       "role": "user", "content": "常见的十字花科植物有哪些？"},
  ],
)
print(completion.choices[0].message.content)

# Streaming:
print("----- streaming request -----")
stream = client.chat.completions.create(
  model="${YOUR_ENDPOINT_ID}",
  messages = [
      {
       "role": "system", "content": "你是豆包，是由字节跳动开发的 AI 人工智能助手"},
      {
       "role": "user", "content": "常见的十字花科植物有哪些？"},
  ],
  stream=True
)
for chunk in stream:
  if not chunk.choices:
      continue
  print(chunk.choices[0].delta.content, end="")
print()

  • 讯飞星火
    讯飞星火新注册用户都有免费额度，不同模型额度不要，3.5有10万token， 2.0的有200万一年token. 接口是采用websocket

    • pip install --upgrade spark_ai_python

    • python 3.8

      from sparkai.llm.llm import ChatSparkLLM, ChunkPrintHandler
from sparkai.core.messages import ChatMessage

#星火认知大模型Spark3.5 Max的URL值，其他版本大模型URL值请前往文档（https://www.xfyun.cn/doc/spark/Web.html）查看
SPARKAI_URL = 'wss://spark-api.xf-yun.com/v3.5/chat'
#星火认知大模型调用秘钥信息，请前往讯飞开放平台控制台（https://console.xfyun.cn/services/bm35）查看
SPARKAI_APP_ID = ''
SPARKAI_API_SECRET = ''
SPARKAI_API_KEY = ''
#星火认知大模型Spark3.5 Max的domain值，其他版本大模型domain值请前往文档（https://www.xfyun.cn/doc/spark/Web.html）查看
SPARKAI_DOMAIN = 'generalv3.5'

if __name__ == '__main__':
  spark = ChatSparkLLM(
      spark_api_url=SPARKAI_URL,
      spark_app_id=SPARKAI_APP_ID,
      spark_api_key=SPARKAI_API_KEY,
      spark_api_secret=SPARKAI_API_SECRET,
      spark_llm_domain=SPARKAI_DOMAIN,
      streaming=False,
  )
  messages = [ChatMessage(
      role="user",
      content='你好呀'
  )]
  handler = ChunkPrintHandler()
  a = spark.generate([messages], callbacks=[handler])
  print(a)

2. API使用总结

可以知道上面的API使用大同小异，有些直接兼容openai的调用格式：

  • 需要注册获取api key，进行授权
  • api接口基本都支持stream流式输出
  • api接口都是典型chat模式，提供不同的角色信息，system，user和assistant， 多轮对话在history中拼接会话信息

大家快去使用吧。

如何系统的去学习AI大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

在这里插入图片描述

四、AI大模型商业化落地方案

img

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。
  • 内容：
    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
      - L1.4.1 知识大模型
      - L1.4.2 生产大模型
      - L1.4.3 模型工程方法论
      - L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
  • 内容：
    • L2.1 API接口
      - L2.1.1 OpenAI API接口
      - L2.1.2 Python接口接入
      - L2.1.3 BOT工具类框架
      - L2.1.4 代码示例
    • L2.2 Prompt框架
      - L2.2.1 什么是Prompt
      - L2.2.2 Prompt框架应用现状
      - L2.2.3 基于GPTAS的Prompt框架
      - L2.2.4 Prompt框架与Thought
      - L2.2.5 Prompt框架与提示词
    • L2.3 流水线工程
      - L2.3.1 流水线工程的概念
      - L2.3.2 流水线工程的优点
      - L2.3.3 流水线工程的应用
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
  • 内容：
    • L3.1 Agent模型框架
      - L3.1.1 Agent模型框架的设计理念
      - L3.1.2 Agent模型框架的核心组件
      - L3.1.3 Agent模型框架的实现细节
    • L3.2 MetaGPT
      - L3.2.1 MetaGPT的基本概念
      - L3.2.2 MetaGPT的工作原理
      - L3.2.3 MetaGPT的应用场景
    • L3.3 ChatGLM
      - L3.3.1 ChatGLM的特点
      - L3.3.2 ChatGLM的开发环境
      - L3.3.3 ChatGLM的使用示例
    • L3.4 LLAMA
      - L3.4.1 LLAMA的特点
      - L3.4.2 LLAMA的开发环境
      - L3.4.3 LLAMA的使用示例
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
  • 内容：
    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

学习计划：

  • 阶段1：1-2个月，建立AI大模型的基础知识体系。
  • 阶段2：2-3个月，专注于API应用开发能力的提升。
  • 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
  • 阶段4：4-5个月，专注于高级模型的应用和部署。
这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

在这里插入图片描述

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

在这里插入图片描述

四、AI大模型商业化落地方案

img

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。
  • 内容：
    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
      - L1.4.1 知识大模型
      - L1.4.2 生产大模型
      - L1.4.3 模型工程方法论
      - L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
  • 内容：
    • L2.1 API接口
      - L2.1.1 OpenAI API接口
      - L2.1.2 Python接口接入
      - L2.1.3 BOT工具类框架
      - L2.1.4 代码示例
    • L2.2 Prompt框架
      - L2.2.1 什么是Prompt
      - L2.2.2 Prompt框架应用现状
      - L2.2.3 基于GPTAS的Prompt框架
      - L2.2.4 Prompt框架与Thought
      - L2.2.5 Prompt框架与提示词
    • L2.3 流水线工程
      - L2.3.1 流水线工程的概念
      - L2.3.2 流水线工程的优点
      - L2.3.3 流水线工程的应用
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
  • 内容：
    • L3.1 Agent模型框架
      - L3.1.1 Agent模型框架的设计理念
      - L3.1.2 Agent模型框架的核心组件
      - L3.1.3 Agent模型框架的实现细节
    • L3.2 MetaGPT
      - L3.2.1 MetaGPT的基本概念
      - L3.2.2 MetaGPT的工作原理
      - L3.2.3 MetaGPT的应用场景
    • L3.3 ChatGLM
      - L3.3.1 ChatGLM的特点
      - L3.3.2 ChatGLM的开发环境
      - L3.3.3 ChatGLM的使用示例
    • L3.4 LLAMA
      - L3.4.1 LLAMA的特点
      - L3.4.2 LLAMA的开发环境
      - L3.4.3 LLAMA的使用示例
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
  • 内容：
    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

学习计划：

  • 阶段1：1-2个月，建立AI大模型的基础知识体系。
  • 阶段2：2-3个月，专注于API应用开发能力的提升。
  • 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
  • 阶段4：4-5个月，专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓

在这里插入图片描述

瓦罗兰特顶级C位
关注
【ChatGPT】大模型时代——开启人工智能新十年
AI天才研究院
03-29 2万+
2018 年以来，超大规模预训练模型的出现推动了 AI 科研范式从面向特定应用场景、训练专有模型，转变为大模型+微调+模型服务的AI工业化开发模式。直至对话大模型 ChatGPT 引发全球广泛关注，人们终于欢呼 AI 2.0 时代来了。当我们立足由大模型推动的AIGC元年，AI 正在迎来新的一轮全球应用和研发热。随着两波AI崛起浪潮接连在寒冬中袭来，人们终于看到了大模型+AIGC 将人工智能从当前低谷带到下一个拐点的星火。在过去十年的尾声，以深度学习为基础的人工智能为何在产业落地方面变得缓慢？人工智能的下一
部署大模型API的实战教程
herosunly的博客
01-17 6万+
今天给大家带来的文章是部署大模型API的实战教程，希望能对学习大模型的同学们有所帮助。 文章目录 1. 前言 2. 配置环境 2.1 安装虚拟环境 2.2 安装依赖库 3. 运行代码 3.1 修改文件 3.2 运行API 3.3 测试API
2024年最新免费AI大模型API汇总及国内大模型使用教程（附代码）
weixin_53880910的博客
08-08 3675
腾讯混元大模型接入地址https://console.cloud.tencent.com/hunyuan/start 点击创建密钥，到新页面，新建密钥 也可以到调试界面进行调试使用，在最开始表格中的文档查看，进去点击调试好了，选择你的代码复制到本地即可。
豆包大模型调用实现
weixin_63820562的博客
07-23 1171
调用豆包大模型的实例
AI菜鸟向前飞 — LLM简介
2401_82469710的博客
05-11 867
AI菜鸟向前飞 — LLM简介
LangChain之各类提示模板的使用
2301_81940605的博客
04-23 1215
在LangChain中，`Model I/O`被称为：`模型的输入与输出`，其有`输入提示(Format)`、`调用模型(Predict)`、`输出解析(Parse)`等三部分组成。
最新OpenAI免费API-openai api key获取方式
JavaEdge全是干货的技术号
06-05 7439
最近又开始准备LLM 应用开发，要用到api key，才发现过我之前免费发放的额度没了！我都没咋用过，痛心😭😭😭！现在 OpenAI 有要求必须充值 5 刀才能使用，问就是没钱！想着能不能在网上白嫖到共享api key。终于发现GitHub圣地的项目，拿来就用！
langchain 提示词模版
u010295555的博客
03-25 892
Few-Shot 提示词工程（Few-Shot Prompt Engineering）是一个涉及设计和优化提示词（Prompts）的过程，目的是使模型能够在只有少量示例的情况下（Few-Shot Learning）理解和执行特定的任务。这种方法试图模仿人类学习新概念时的能力，即通过观察少量的实例就能够理解和应用新知识。创建一个FewShotPromptTemplate对象，用于构建少量样本提示模板。给模型一些样例数据的数据准备。首先定义一个提示词模版。examples效果。给模型生成个输出规范。
详解FastChat部署大模型API的实战教程
热门推荐
herosunly的博客
04-27 10万+
本文主要介绍了使用FastChat部署大模型API，希望对学习大语言模型的同学们有所帮助。 文章目录 1. 前言 2. 配置环境 2.1 安装虚拟环境 2.2 安装依赖库 2.3 模型文件下载 3. 运行API 3.1 一键启动 3.2 一键关闭 3.3 测试API 4. vllm API 4.1 一键启动 4.2 一键关闭 4.3 测试API
NL2SQL技术方案系列(3)：大模型工具调用实战NL2API技术方案以及行业案例讲解1
丨汀、的博客
04-23 749
NL2SQL技术方案系列(3)：大模型工具调用实战NL2API技术方案以及行业案例讲解1
调用Claude 3.5 API的实战代码
最新发布
herosunly的博客
09-04 3万+
本文主要介绍了调用Claude 3.5 API的实战代码，希望对学习大语言模型的同学们有所帮助。 文章目录 1. 前言 2. 实战代码
大模型提问中包括时间的实战方案
herosunly的博客
07-04 8万+
本文主要介绍了大模型提问中包括时间的实战方案，希望对学习大语言模型的同学们有所帮助。 文章目录 1. 前言 2. 实战方案
【大模型书籍PDF】从零开始大模型开发与微调：基于PyTorch与ChatGLM （推荐）
2301_81940605的博客
04-19 870
今天又来给大家推荐一本大模型方面的书籍。
高达27K star！基于LLM构建本地智能知识库 太猛了
2301_81888214的博客
04-22 1281
今天我们分享一个开源项目，帮助你快速构建基于Langchain 和LLM 的本地知识库问答，在GitHub已经获得27K star，它就是：Langchain-Chatchat
以人为本是AI大模型的最终落脚点——读《大模型时代：ChatGPT开启通用人工智能浪潮》
WitsMakeMen的专栏
09-28 1104
对此，作者在书中提出一个比较有意思的观点：新技术对人类就业的贡献常常会低开高走，在新技术刚出现时，对人力的替代效应较为明显，会引起部分群体的反抗，而随着技术应用的逐步加深和扩散，将催生更多创新，放大市场规模，然后就有可能为人类创造更多的就业岗位。但同时，越来越多的社会学者和业内人士也对AI大模型进行反思，甚至提出质疑：一是AI大模型的数据挖掘和开放性的网络应用具有很强的规模化效应，如果AI独特的学习和预测能力被应用到更多领域，则可能会引发知识产权纠纷，并且将涉及数据隐私等更深层次的问题。
新书速览|从零开始大模型开发与微调：基于PyTorch与ChatGLM
quanzhankaifaqua的博客
01-12 2046
PyTorch 2.0深度学习环境搭建、从零开始学习PyTorch 2.0、深度学习基础算法详解、基于PyTorch卷积层的MNIST分类实战、PyTorch数据处理与模型展示、ResNet实战、有趣的词嵌入、基于PyTorch循环神经网络的中文情感分类实战、自然语言处理的编码器、预训练模型BERT、自然语言处理的解码器、强化学习实战、只具有解码器的GPT-2模型、实战训练自己的ChatGPT、开源大模型ChatGLM使用详解、ChatGLM高级定制化应用实战、对ChatGLM进行高级微调。
Transformer自然语言处理实战pdf阅读
m0_57057282的博客
07-23 1120
文本摘要的目标是输入一段长文本，然后生成包含所有相关事实的简 短版本。这是一项比前面所讲任务复杂得多的任务，因为它需要模型 生成连贯的文本。我们通过以下熟悉的模式实例化文本摘要：得出的摘要还不错！尽管其只是简单地复制粘贴部分原始文本，但该 模型能够捕捉到问题的根源，并正确识别“Bumblebee”（出现在输入 文本的末尾）是投诉者。
[LLM] 自然语言处理 --- Bert开发实战 (Transformers）
摩登都市天空---专栏
01-06 1万+
本文主要介绍如果使用huggingface的transformers 2.0 进行NLP的模型训练 除了transformers，其它兼容tf2.0的bert项目还有： 我的博客里有介绍使用方法 [深度学习] 自然语言处理--- 基于Keras Bert使用（上） keras-bert（Star:1.4k） 支持tf2，但它只支持bert一种预训练模型 bert4keras （Sta...
【debug图解】langchain-chatchat如何调用在线Embedding
一起来研究langchain和langchain-chatchat
04-28 1288
上一篇文章介绍了怎么通过使用在线llm和在线Embedding这篇文章想给大家debug的方式演示langchain-chatchat是如何使用在线Embedding的langchain-chatchat包的层级非常多，看代码的时候需要耐心。看熟悉了，后面再想查找问题，就会简单的多。
开源大模型API调用
07-02
开源大模型API调用通常指的是使用预先训练好的、开放源代码的机器学习模型，这些模型可以通过API接口对外提供服务。比如像Hugging Face的Transformers库中的通义千问、Google的BERT或GPT等模型，用户可以通过发送特定格式的数据（如文本输入），API会对这些输入进行处理并返回预测结果。 以下是使用开源大模型API调用的一般步骤： 1. 注册和获取API密钥：许多API服务需要注册获取访问令牌或API密钥。 2. 安装必要的库：比如Python中可能需要`requests`库来发送HTTP请求。 3. 发送请求：根据API文档，构建包含模型名称、参数、以及上下文的HTTP请求（如POST请求）。 4. 解析响应：API会返回一个包含预测结果的JSON或类似格式的数据，然后解析获取有用信息。 5. 应用结果：根据模型预测的内容，进行后续的应用，比如文本生成、问答系统等。
评论 1
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