# 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](https://support.huaweicloud.com/price-modelarts/inference2.0-modelarts-0074.html)。 - 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](https://support.huaweicloud.com/price-modelarts/price-modelarts-0014.html)。 #### 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](https://support.huaweicloud.com/qs-modelarts/modelarts_06_0006.html#section0)。 #### 约束限制 推理超时时间限制：发送请求后等待系统返回首Token结果的最长等待时间，输入值必须在1到1200之间，单位秒，超过该时间仍未收到回复，请求将被自动终止。流式传输场景下，每次收到请求响应时，会重新刷新该超时时间，但系统端到端响应超时时间固定为3600秒。 #### 服务部署 1. 在[ModelArts管理控制台](https://console.huaweicloud.com/modelarts/)的"快速入门"页面，选择"GLM-5.1"，单击"部署"进入"创建服务"页面。 ![](https://support.huaweicloud.com/bestpractice-modelarts/public_sys-resources/note_3.0-zh-cn.png) 仅ModelArts新版控制台支持模型一键部署，旧版控制台页面不支持。在旧版控制台总览页的右上角，可以单击"前往新版"切换到新版控制台页面。 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1-128个字符，支持大小写英文字母、数字、中划线、下划线及中文。 | 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）设计的高性能推理框架，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](https://support.huaweicloud.com/resmgmt-modelarts/resmgmt-modelarts_0004.html)。 使用专属资源池部署模型时，需满足以下条件： 1. 资源池的实例规格需满足模型的卡类型和卡数的要求，可在控制台快速入门中，单击模型名称，在对应模型详情页的推理特性中查看。 2. 部署多机模型时，为保障同一节点和跨节点之间卡的网络互通：相同规格的节点必须满足同一实例规格。 | 公共资源池 | | 实例规格 | 选择在线服务实例的硬件资源配置。资源要求4台8 \* Snt9b23节点 | 默认值 | | 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"页面找到本次创建的推理作业，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](https://console.huaweicloud.com/modelarts/)"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](https://console.huaweicloud.com/modelarts/)"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。 ![](https://support.huaweicloud.com/bestpractice-modelarts/public_sys-resources/caution_3.0-zh-cn.png) 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](https://console.huaweicloud.com/modelarts/)"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](https://console.huaweicloud.com/modelarts/)"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，在"服务"页签找到**网络配置 \>** **公网调用URL** 获取服务的公网调用URL。如[图1]所示。 图1获取URL ![](https://support.huaweicloud.com/bestpractice-modelarts/figure/zh-cn_image_0000002535435312.png "点击放大") - **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在服务列表页停止或删除服务，以免继续扣费。 图2停止或删除服务 ![](https://support.huaweicloud.com/bestpractice-modelarts/figure/zh-cn_image_0000002555711224.png) #### 模型能力说明 GLM-5.1支持能力见[表2]。 表2GLM-5.1能力列表 | 特性 | GLM-5.1-W8A8 | 是否开启 | |:---|:---|:---| | 分离部署 | √ | 默认开启。 | | Reasoning Content | √ | 默认开启。 默认开启，如果需要关闭，请求体中对应参数设置如下： "chat_template_kwargs": { "enable_thinking": false } | | Function Call | √ | 默认开启，当前仅支持auto。 | | Chunked Prefill | √ | 默认开启。 | | Prefix Caching | √ | 默认开启。 | | 图模式 | √ | 默认开启。 | #### 常见问题 **一键部署的在线服务如何修改请求超时时间？** 在线推理-服务信息的高可用配置中，可以修改服务的"请求超时时间"，详情请见[修改在线推理的服务信息](https://support.huaweicloud.com/inference-modelarts/inference2.0-modelarts-0025.html)。 #### 相关文档 更多推理部署功能请见[推理部署](https://support.huaweicloud.com/inference-modelarts/inference2.0-modelarts-0002.html)。