盘古表格直推预测大模型

功能介绍

可实现免微调直推表格预测，面对有限样本条件下，基于上下文关联推理技术，免微调自适应数据分布，可以实现开箱即用的效果。

授权信息

账号具备所有API的调用权限，如果使用账号下的IAM用户调用当前API，该IAM用户需具备调用API所需的权限，具体权限要求请参见权限和授权项。

URI

POST /

获取URI方式请参见请求URI。

请求参数

使用Token认证方式的请求Header参数见表1。

表1 请求Header参数（Token认证）
参数	是否必选	参数类型	描述
X-Auth-Token	是	String	参数解释：用户Token。用于获取操作API的权限。如图4中响应消息头中X-Subject-Token的值即为Token。约束限制：不涉及取值范围：不涉及默认取值：不涉及
Content-Type	是	String	参数解释：发送的实体的MIME类型。约束限制：不涉及取值范围：不涉及默认取值： application/json

使用API Key认证方式的请求Header参数见表2。

表2 请求Header参数（API Key认证）
参数	是否必选	参数类型	描述
X-Apig-AppCode	是	String	参数解释： API Key值。用于获取操作API的权限。API Key认证响应消息头中X-Apig-AppCode的值即为API Key。约束限制：不涉及取值范围：不涉及默认取值：不涉及
Content-Type	是	String	参数解释：发送的实体的MIME类型。约束限制：不涉及取值范围：不涉及默认取值： application/json

表3 请求Body参数
参数	是否必选	参数类型	描述
target	是	string	参数解释：指定要预测的目标列名。约束限制：仅支持单个目标。取值范围：不涉及默认取值：不涉及
sample	是	json	参数解释：预测所需的样例数据（few shot）, sample是json格式， json的key对应特征列名，value是一个Array，对应该特征列的数据。格式详见请求示例。约束限制： sample行数 <=10000行特征数 <=500 sample * 特征数 <=1000000 云上部署数据量 < 12MB
data	是	Array	参数解释：待进行预测的数据，data为一个数组，数组中包含多个对象，每个对象是一组完整的特征数据。约束限制：待预测特征名需要与sample中的特征名保持一致。例如，训练数据中特征列按照feature_1、feature_2……进行命名，在调用推理接口时，特征名也需要保持相同。同时推理接口中特征数量需要与训练数据中的特征数保持一致。一组特征数据填写完成后再填写剩余待预测数据，格式详见请求示例。 data行数 <=1000行特征数 <=500
task_type	是	string	参数解释：任务类型。约束限制：支持的类型包括regression和classification，分别对应回归和分类任务。

响应参数

状态码： 200

表4 响应Body参数
参数	参数类型	描述
results	LIST	参数解释：预测结果的列表。约束限制：不涉及取值范围：不涉及默认取值：不涉及
time_cost	JSON	参数解释：当启动服务时，本次请求服务各阶段耗时情况。约束限制：不涉及取值范围：不涉及默认取值：不涉及

状态码： 400

表5 响应Body参数
参数	参数类型	描述
error_code	String	错误码。
error_msg	String	错误信息。

请求示例

{
    "target": "feature_0",
    "task_type": "regression",
    "sample": {
        "feature_0": [
            9,
            0
        ],
        "feature_1": [
            252.71994790753982,
            0
        ],
        "feature_2": [
            584.8740678212971,
            0
        ],
        "feature_3": [
            507.5732435552864,
            0
        ],
        "feature_4": [
            75.7524144068944,
            0
        ]
    },
    "data": [
        {
            "feature_1": 6.4533336224,
            "feature_2": 677.3766556825,
            "feature_3": 923.0984447151,
            "feature_4": 837.6293168679
        },
        {
            "feature_1": 712.3825532408,
            "feature_2": 373.0545721447,
            "feature_3": 393.8145421256,
            "feature_4": 597.3197447678
        }
    ]
}

响应示例

{
  "results": [
      0,
      1,
       ...
      0
  ],
  "time_cost": {
      "infer_cost_time": 233, 
      "postprocess_cost_time": 13, 
      "preprocess_cost_time": 12, 
      "service_cost_total_time": 258
    } 
}