推理入门：一键完成GLM-5.1模型部署

场景介绍

GLM-5.1是智谱清言最新代旗舰MoE基础模型w8a8量化版本，在编程与长程智能体任务上实现SOTA性能全新跃升。为方便您快速部署该模型，ModelArts控制台推出了一键部署该模型案例。借助ModelArts提供的丰富的开源模型及推理框架，您可通过简单表单配置，快速开启模型部署。GLM-5.1模型支持能力参见模型能力说明。

本案例以Ascend-vLLM框架一键部署GLM-5.1模型为例，介绍ModelArts一键部署服务并调用的全流程。

计费影响

GLM-5.1可部署在公共资源池或专属资源池。根据部署方式不同计费方式也不同。以下是两种部署方式下的计费说明：

• 公共资源池部署推理服务会基于时长计费。当服务状态为“运行中”和“告警”时，实例正常运行将产生费用；不使用时，请及时停止。详情请见推理部署计费项。
• 专属资源池部署推理服务。专属资源池的费用已在购买时支付，部署服务不再收费。专属资源池的费用请参考专属资源池计费项。

前提条件

已完成华为云账号注册、实名认证及相关权限授权。具体操作，请参见一、前置准备：账号与权限。

约束限制

• 仅“西南-贵阳一”的控制台新版页面区域支持一键部署。
• 推理超时时间限制：流式请求的响应时间可以超过60s，非流式请求限制60s超时。

服务部署

1. 在ModelArts管理控制台的“总览”页面，在GLM-5.1的banner区域，单击“一键部署”进入“创建服务”页面。
   

   仅西南-贵阳一控制台新版页面支持一键部署，旧版控制台页面不支持。在旧版总览页的右上角，可以单击“前往新版”切换到新版控制台页面。

   图1 一键部署GLM-5.1
   

2. 在“创建服务”页面按表1配置参数，单击“确定”。

   表1 一键部署在线服务参数说明

   参数	说明	本案例推荐值
   模型	一键部署支持预置模型部署。	默认值“GLM-5.1”
   服务名称	在线服务的名称，用于标识和管理在线服务。请按照界面提示规则填写。支持1-64个字符，可以包含字母、汉字、数字、连字符和下划线。	service-test
   推理框架	Ascend-vLLM是一个专为华为昇腾（Ascend）NPU（神经网络处理单元）设计的高性能推理插件，它允许主流的大语言模型（LLM）在昇腾硬件上高效运行。旨在将vLLM的高性能推理能力扩展到华为昇腾AI处理器上。它通过解耦vLLM的核心架构与硬件后端，实现了对昇腾NPU的无缝支持，从而为国产化算力集群提供了强大的大模型推理解决方案。 核心特性与优势 高性能推理：利用昇腾NPU在FP16/BF16混合精度计算上的强劲性能，提供高吞吐量的LLM推理服务。 兼容主流模型：支持在昇腾硬件上运行多种主流的大语言模型与多模态架构。	默认值“Ascend-vLLM”
   资源池类型	一键部署在线服务支持使用公共资源池和专属资源池。 公共资源池 部署在线服务使用公共资源池。公共资源池提供公共的计算集群，根据用户作业参数分配使用，资源按作业隔离。公共资源池经济灵活，适用于开发测试等场景。 选择公共资源池部署时，由于资源有限，可能会出现资源余量不够的场景，请排队等待。 专属资源池 部署在线服务使用专属资源池。专属资源池不与其他用户共享，资源更可控。核心生产业务推荐选用专属资源池，以获得独占资源保障。 选择专属资源池需提前创建专属资源池，详情请见创建专属资源池。	公共资源池/专属资源池
   实例规格	选择在线服务实例的硬件资源配置。	默认值： 推理单元 1 (prefill-0)：8 * Snt9b23 | 320 vCPUs | 2048 GiB | ARM ; 推理单元 2 (prefill-1)：8 * Snt9b23 | 320 vCPUs | 2048 GiB | ARM ; 推理单元 3 (decode) ：2 * 8 * Snt9b23 | 320 vCPUs | 2048 GiB | ARM
   自动停止	勾选后，需设置服务自动停止时间，默认为1小时，设置时长最多为24小时。 开启后，当服务运行时开始计时，运行时间超出您预设的时长，它将自动停止运行。 在线服务部署后，可在控制台“模型推理>在线推理”页面单击更多>设置自动停止，重新设置自动停止。	勾选，默认值“1小时”。

3. 如果选择公共资源池，需要在对话框中确认计费提醒， 单击“确定”后开始部署。

   如果选择专属资源池，单击“确认”后开始部署。

   部署完成后，在ModelArts管理控制台“模型推理 > 在线推理”页面，查看服务的基本情况。

   在线推理列表中，刚部署的服务“状态”为“部署中”，当在线服务的“状态”变为“运行中”时，表示服务部署完成。

创建API KEY并绑定在线服务

当前一键部署的服务默认使用API KEY鉴权，您需要创建您自己的API KEY，绑定这个预置服务。

1. 在ModelArts管理控制台“模型推理 > 在线推理”页面，单击“API Key授权管理”，切换到“API Key授权管理”页签。
2. 单击“创建API Key”，在“创建API Key”弹框中，填写API KEY信息，授权范围选择“指定在线服务”，单击“确定”后自动下载和API Key同名的csv文件。打开该csv文件，查找列名为api_key对应的内容即为待使用的API Key。存放API Key的csv文件不支持二次下载，请您妥善保管该csv文件或牢记API Key内容，避免丢失。
3. 单击API KEY操作列的“绑定”。
4. 在“绑定服务”弹框中，勾选服务部署创建的服务，单击“确定”。如果授权范围选择“全部在线服务”，无需执行后面的绑定服务操作。

API Key是您调用部署模型API接口的凭证。如果API Key由非业务相关人员获取，非业务相关人员可使用API Key调用API，对您造成经济损失。

为避免以上可能的风险发生，请您妥善保管API Key。

在线调试服务

1. 在ModelArts管理控制台“模型推理 > 在线推理”页面，单击已部署完成的服务，进入详情页。
2. 切换到“预测”页签，填写请求参数：
   • 对话接口：需要在已有的URL后添加/v1/chat/completions。
   • Headers：添加请求头。键使用默认值“Authorization”，值默认值中的API Key替换为创建API KEY并绑定在线服务中保存的API Key值。或删除Authorization键值对，无需做其他配置，系统将自动切换为IAM Token认证。
   • Body选择“raw”，model参数设置为glm5，请求样例如下：
     思考模式是默认打开，非流式回答，请求Body示例如下：

     {
         "model": "glm5",
         "messages": [
             {
                 "role": "user",
                 "content": "介绍一下自己"
             }
         ],
         "max_tokens": 100
     }

     打开流式对话，请求Body示例如下：

     {
         "model": "glm5",
         "messages": [
             {
                 "role": "user",
                 "content": "介绍一下自己"
             }
         ],
         "max_tokens": 100,
         "stream": true
     }

     关闭思考模式，请求Body示例如下：

     {
         "model": "glm5",
         "messages": [
             {
                 "role": "user",
                 "content": "介绍一下自己"
             }
         ],
         "chat_template_kwargs": {
             "enable_thinking": false
         },
         "max_tokens": 100,
         "stream": false
     }

服务调用

获取访问地址和API Key

本文部署时默认使用了共享网关。部署完成后，可以在服务详情页获取调用所需的访问地址。访问地址URL获取方式如下：

• 公网调用URL：在ModelArts管理控制台“模型推理>在线推理”页面，单击已部署完成的服务，进入详情页，获取服务的“公网调用URL”。如图2所示。
  图2 获取URL
  
• 模型接口：GLM-5.1模型的模型接口为/v1/chat/completions。
• 获取API Key：创建API KEY并绑定在线服务中保存的API Key值。

使用Curl或Python进行调用

示例代码如下。

在线服务调用地址为“公网调用URL+模型接口”。

示例代码中的API_KEY需要替换为自己已获取的API Key。

Python

import requests
import json

if __name__ == '__main__':
    url = "https://***/v2/infer/***/v1/chat/completions"  # 在线服务的调用地址=公网调用URL+模型接口
    api_key = "API_KEY"  # 把API_KEY替换成已获取的API Key

    # Send request.
    headers = {
        'Content-Type': 'application/json',
        'Authorization': f'Bearer {api_key}'
    }
    data = {
        "model": "glm5",  # model参数，GLM-5.1设置为glm5 
       "messages": [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "介绍一下自己"}
        ]
    }
    response = requests.post(url, headers=headers, data=json.dumps(data), verify=False)

    # Print result.
    print(response.status_code)
    print(response.text)

Curl

curl -X POST "https://***/v2/infer/***/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $API_KEY" \
  -d '{
    "model": "glm5",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "介绍一下自己"}
    ]
  }'

停止或删除服务

如果使用公共资源池创建在线服务，基于服务时长计费。如果使用专属资源池部署，占用专属资源池资源。当您不需要使用服务时请停止或删除服务，以免继续扣费。

图3 停止或删除服务

模型能力说明

GLM-5.1支持能力见表2。

相关文档

更多推理部署功能请见推理部署。