文档首页/ AI开发平台ModelArts/ 快速入门/ 推理入门：一键完成GLM-5模型部署
更新时间：2026-02-12 GMT+08:00
查看PDF
分享

推理入门：一键完成GLM-5模型部署

场景介绍

为了降低用户的使用门槛，增强用户体验，ModelArts控制台推出了一键部署案例，ModelArts提供丰富的开源模型及推理框架，可通过简单表单配置，快速开启模型部署。

本案例以Ascend-vLLM框架一键部署GLM-5模型为例，介绍ModelArts一键部署服务并调用的全流程。

GLM-5是智谱AI发布的新一代开源旗舰大模型，主打复杂系统工程与长程智能体任务，在编程与Agent能力上获得开源SOTA表现。

计费影响

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。

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”区域支持一键部署。

服务部署

  1. 在ModelArts管理控制台的“总览”页面，在GLM-5的banner区域，单击“一键部署”进入“创建服务”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。更多模型介绍请见更多模型介绍。

    默认值“GLM-5”

    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

    资源池类型
    • 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

    单元实例规格

    当资源池类型选择“公共资源池”时，选择在线服务实例的硬件资源配置。

    默认值，以控制台实际为准。

    资源池

    当资源池类型选择“专属资源池”时，单击“选择专属资源池”，在专属资源池规格中选择对应的规格进行使用，单击“确定”。暂不支持选择创建了逻辑子池的物理池。

    本案例不涉及。

    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. 在对话框中确认计费影响， 单击“确定”。

    部署完成后，在ModelArts控制台的“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”，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”。

    创建API KEY后自动下载API Key，后续暂不支持手动下载，请妥善保管。

    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。

  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”。

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，系统将自动切换为IAM Token认证。
    • Body选择“raw”，请求样例如下： 
      {
    "model": "GLM-5",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "你好"}
    ]
}

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和Token。

  • 在线服务调用地址：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”。
  • 大模型接口：GLM-5模型接口为/v1/chat/completions。更多模型接口请见表2。
  • 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。

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": "GLM-5",  # model参数，其他模型参数请见表2
        "messages": [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "你好"}
        ],
        "max_tokens": "50", # 最大输出tokens
        "temperature": "1"   # 控制输出的随机性
    }
    response = requests.post(url, headers=headers, data=json.dumps(data), verify=False)

    # Print result.
    print(response.status_code)
    print(response.text)
curl -X POST "https://***/v2/infer/***/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $API_KEY" \
  -d '{
    "model": "GLM-5",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "你好"}
    ],
    "max_tokens": 50, # 最大输出tokens
    "temperature": 1   # 控制输出的随机性
  }'

流式调用代码示例如下：

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": "GLM-5",  # model参数，其他模型参数请见表2
        "messages": [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "你好"}
        ],
        "stream": True,    # 启用流式输出
        "max_tokens": "50", # 最大输出tokens
        "temperature": "1"   # 控制输出的随机性
    }
    response = requests.post(url, headers=headers, data=json.dumps(data), verify=False)

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

流式调用代码示例如下：

curl -X POST "https://***/v2/infer/***/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $API_KEY" \
  -d '{
    "model": "GLM-5",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "你好"}
    ],
    "stream": true,    # 启用流式输出
    "max_tokens": 50, # 最大输出tokens
    "temperature": 1   # 控制输出的随机性
  }'

停止或删除服务

本案例使用公共资源池创建在线服务，基于服务时长计费。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1 停止或删除服务

更多模型介绍

表2 模型介绍

模型名称

model参数

模型接口

模型介绍

DeepSeek-V3.1

DeepSeek-V31

/v1/chat/completions

支持思考模式与非思考模式，可在对话中切换。相较于DeepSeek-V3.0，具备更快的推理速度和更强大的智能体技能。

Qwen3-8B

qwen3_8b

/v1/chat/completions

针对高频短文本任务，实现单卡并发吞吐量2.5倍提升，大幅降低单次请求成本。

实现思考模式和非思考模式的有效融合，可在对话中切换模式。

Qwen3-32B

qwen3_32b

/v1/chat/completions

实现思考模式和非思考模式的有效融合，可在对话中切换模式。推理能力显著超过QwQ、通用能力显著超过Qwen2.5-32B-Instruct，达到同规模业界SOTA水平。

Qwen3-30B-A3B

qwen3_30b_a3b

/v1/chat/completions

利用MoE稀疏激活技术，在昇腾NPU上以1/10的推理开销，享受30B级别的模型性能。

实现思考模式和非思考模式的有效融合，可在对话中切换模式。推理能力以更小参数规模比肩QwQ-32B、通用能力显著超过Qwen2.5-14B，达到同规模业界SOTA水平。

Qwen3-VL-30B-A3B

Qwen3-VL-30B-A3B

/v1/chat/completions

采用MoE架构，30B参数仅激活3B，视觉理解能力显著提升。多模态性能达到同规模视觉模型SOTA水平。

相关文档