新闻详情

新闻详情

首页 / 资讯中心 / 详情

部署和调用大模型

发布时间:2026/11/20 0:24:24来源:尧图网络
部署和调用大模型
网络基础知识1、IP地址设备在互联网中的地址唯一身份每个连入网络的设备都有一个自己的IP地址用来定位设备在互联网中的位置127.0.0.1是一个特殊的IP地址表示本机地址IPV432位二进制 IPV6128位二进制2、域名由一串用点分隔的英文字母组成的目的是为了解决IP地址不便记忆的问题通过DNS域名解析服务器来将域名和IP地址相互映射便于记忆和访问。如baidu.com3、端口取值0~65535用来标识计算机设备中的运行中的程序一、本地部署大模型1、概念将大模型部署到我们的本地电脑或者自己的服务器2、优缺点优点数据安全、自主可控、长期成本低缺点初始成本高、需长期维护、性能受限3、部署方法最简单的就是用ollama工具进行部署ollama是一个在本地运行、管理大语言模型的工具。官网https://ollama.com/,在官网下载这个工具下载好之后打开终端输入ollama run 大模型名称如果是第一次用这个大模型它会自动联网并下载这个大模型然后就可以对话了二、官方开放API1、概念API应用程序编程接口是软件间的标准化的 “桥梁”允许开发者无需知晓内部细节就可以调用外部功能和数据如deepseek、星火等2、优缺点优点前期成本低、无需部署和维护、即时访问缺点隐私不能保障、长期成本高、可控性差3、调用方法1我们以deepseek为例首先注册deepseek平台账号充值并去申请一个API Key作为身份令牌2下一步直接在官方调用文档的网站中选择调用方式直接复制代码如下deepseek# Please install OpenAI SDK first: pip3 install openai import os from openai import OpenAI #创建与API交互的客户端DEEPSEEK_API_KEY就是环境变量的信息 client OpenAI(api_keyos.environ.get(DEEPSEEK_API_KEY),base_urlhttps://api.deepseek.com) #与AI大模型进行交互 response client.chat.completions.create( modeldeepseek-flash, messages[ {role: system, content: 你是一名非常可爱的AI助理你的名字小小甜甜请你用温柔可爱的语气回答客户的问题}, {role: user, content: 你是谁你能帮我什么}, ], streamFalse, reasoning_efforthigh, extra_body{thinking: {type: enabled}} ) #s 输出大模型返回的结果 print(response.choices[0].message.content)3DEEPSEEK_API_KEY的环境变量配置第一种方法全局配置右键 “ 此电脑 ” - 点击 “ 属性 ” - 点击 “ 高级系统设置 ” - 点击 “ 高级 ” - 点击 环境变量 - 在系统变量点击 “ 新建 ” - 起一个变量名 - 变量值就是你申请的API Key就可以进行对话了第二种方法.env文件我们在项目目录下创建一个.env文件输入 DEEPSEEK_API_KEY你的key注意不要打多余的空格然后再下载第三方库读取env文件pip install python-dotenv 并导入load_dotenv函数# Please install OpenAI SDK first: pip3 install openai import os from openai import OpenAI from dotenv import load_dotenv # 加载 .env 文件里面的环境变量 load_dotenv(config.env) #读取密钥 api_key os.getenv(DEEPSEEK_API_KEY) #创建与API交互的客户端DEEPSEEK_API_KEY就是环境变量的信息 client OpenAI(api_keyapi_key,base_urlhttps://api.deepseek.com/v1) response client.chat.completions.create( modeldeepseek-flash, messages[ {role: system, content: You are a helpful assistant}, {role: user, content: Hello}, ], streamFalse, reasoning_efforthigh, extra_body{thinking: {type: enabled}} ) print(response.choices[0].message.content)三、云服务平台1、概念阿里云百炼、百度千帆、火山引擎平台等云服务平台只需要开通账号给服务器平台付费就行都是人家部署好的2、优缺点优点前期成本低、无需部署和维护、选择度高缺点安全及隐私不能保障、长期成本高
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/18 21:21:17

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/19 20:26:12

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/19 15:16:22

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/19 18:03:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/18 21:21:16

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉