חלק מהמודלים שזמינים ב-Model Garden ניתנים לפריסה עצמית בפרויקט שלכם ב- Google Cloud , ואפשר להשתמש בהם כדי לספק חיזויים באצווה. חיזויים באצווה מאפשרים להשתמש במודל ביעילות כדי לעבד כמה הנחיות טקסט בלבד שלא רגישות לזמן האחזור.
הכנת הקלט
לפני שמתחילים, צריך להכין את הקלט בטבלה ב-BigQuery או כקובץ JSONL ב-Cloud Storage. הקלט של שני המקורות חייב להיות בפורמט JSON של סכימת OpenAI API, כמו בדוגמה הבאה:
{"body": {"messages": [{"role": "user", "content": "Give me a recipe for banana bread"}], "max_tokens": 1000}}
BigQuery
טבלת הקלט ב-BigQuery צריכה להתאים לסכימה הבאה:
| שם העמודה | תיאור |
|---|---|
| custom_id | מזהה לכל בקשה כדי להתאים בין הקלט לפלט. |
| method | שיטת הבקשה. |
| url | נקודת הקצה (endpoint) של הבקשה. |
| body(JSON) | הנחיית הקלט שלכם. |
- טבלת הקלט יכולה להכיל עמודות אחרות, שהמשימה באצווה מתעלמת מהן ומעבירה אותן ישירות לטבלת הפלט.
- במשימות חיזוי באצווה, שני שמות של עמודות שמורים לפלט של החיזוי באצווה: response(JSON) ו-id. אל תשתמשו בעמודות האלה בטבלת הקלט.
- העמודות method ו-url נמחקות ולא נכללות בטבלת הפלט.
Cloud Storage
ב-Cloud Storage, קובץ הקלט חייב להיות קובץ JSONL שנמצא בקטגוריה של Cloud Storage.
איך מקבלים את המשאבים הנדרשים למודל
בוחרים מודל ושולחים שאילתה לגבי דרישות המשאבים שלו. המשאבים הנדרשים מופיעים בתגובה, בשדה dedicatedResources, שאתם מציינים בהגדרות של משימת החיזוי באצווה.
REST
לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:
- PUBLISHER: מפרסם המודל, לדוגמה
meta,google,mistral-aiאוdeepseek-ai. - PUBLISHER_MODEL_ID: מזהה המודל של בעל התוכן הדיגיטלי, לדוגמה
llama3_1. - VERSION_ID: מזהה הגרסה של המודל, לדוגמה
llama-3.1-8b-instruct.
ה-method של ה-HTTP וכתובת ה-URL:
GET "https://us-central1-aiplatform.googleapis.com/ui/publishers/PUBLISHER/models/PUBLISHER_MODEL_ID@VERSION_ID" | jq '.supportedActions.multiDeployVertex'
כדי לשלוח את הבקשה אתם צריכים לבחור אחת מהאפשרויות הבאות:
curl
מריצים את הפקודה הבאה:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: PROJECT_ID" \
""https://us-central1-aiplatform.googleapis.com/ui/publishers/PUBLISHER/models/PUBLISHER_MODEL_ID@VERSION_ID" | jq '.supportedActions.multiDeployVertex'"
PowerShell
מריצים את הפקודה הבאה:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "PROJECT_ID" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri ""https://us-central1-aiplatform.googleapis.com/ui/publishers/PUBLISHER/models/PUBLISHER_MODEL_ID@VERSION_ID" | jq '.supportedActions.multiDeployVertex'" | Select-Object -Expand Content
אמורים לקבל קוד סטטוס של הצלחה (2xx) ותגובה ריקה.
בקשה לחיזוי באצווה
יצירת חיזוי באצווה במודל שנפרס באופן עצמאי ב-Model Garden, באמצעות קלט מ-BigQuery או מ-Cloud Storage. אתם יכולים לבחור אם להוציא את החיזויים לטבלה ב-BigQuery או לקובץ JSONL בקטגוריה של Cloud Storage.
BigQuery
מציינים את טבלת הקלט, המודל ומיקום הפלט ב-BigQuery. משימת החיזוי באצווה והטבלה צריכות להיות באותו אזור.
REST
לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:
- LOCATION: אזור שתומך במודלים בפריסה עצמית של Model Garden.
- PROJECT_ID: מזהה הפרויקט. .
- MODEL: שם המודל שרוצים לכוונן, לדוגמה
llama-3.1-8b-instruct. - PUBLISHER: מפרסם המודל, לדוגמה
meta,google,mistral-aiאוdeepseek-ai. - INPUT_URI: הטבלה ב-BigQuery שבה נמצא הקלט של חיזוי באצ', למשל
myproject.mydataset.input_table. - OUTPUT_FORMAT: כדי להפיק פלט לטבלה ב-BigQuery, מציינים את הערך
bigquery. כדי להוציא פלט לקטגוריה של Cloud Storage, מציינים אתjsonl. - DESTINATION: ל-BigQuery, מציינים
bigqueryDestination. ב-Cloud Storage, מציינים אתgcsDestination. - OUTPUT_URI_FIELD_NAME: ל-BigQuery, מציינים את הערך
outputUri. ב-Cloud Storage, מציינים אתoutputUriPrefix. - OUTPUT_URI: ב-BigQuery, מציינים את מיקום הטבלה, למשל
myproject.mydataset.output_result. ב-Cloud Storage, מציינים את המיקום של הקטגוריה והתיקייה, למשלgs://mybucket/path/to/outputfile. - MACHINE_TYPE: מגדיר את קבוצת המשאבים לפריסה של המודל, לדוגמה
g2-standard-4. - ACC_TYPE: מציין את המאיצים שצריך להוסיף למשימת החיזוי באצווה כדי לשפר את הביצועים כשעובדים עם עומסי עבודה כבדים, לדוגמה
NVIDIA_L4. - ACC_COUNT: מספר המאיצים שבהם משתמשים במשימת החיזוי באצווה.
ה-method של ה-HTTP וכתובת ה-URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs
גוף בקשת JSON:
'{
"displayName": "JOB_NAME",
"model": "publishers/PUBLISHER/models/MODEL",
"inputConfig": {
"instancesFormat":"bigquery",
"bigquerySource":{
"inputUri" : "INPUT_URI"
}
},
"outputConfig": {
"predictionsFormat":"OUTPUT_FORMAT",
"DESTINATION":{
"OUTPUT_URI_FIELD_NAME": "OUTPUT_URI"
}
},
"dedicated_resources": {
"machine_spec": {
"machine_type": "MACHINE_TYPE",
"accelerator_type": "ACC_TYPE",
"accelerator_count": ACC_COUNT,
},
"starting_replica_count": 1,
},
}'
כדי לשלוח את הבקשה עליכם לבחור אחת מהאפשרויות הבאות:
curl
שומרים את גוף הבקשה בקובץ בשם request.json ומריצים את הפקודה הבאה:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs"
PowerShell
שומרים את גוף הבקשה בקובץ בשם request.json ומריצים את הפקודה הבאה:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs" | Select-Object -Expand Content
אתם אמורים לקבל תגובת JSON שדומה לזו:
Cloud Storage
מציינים את המיקום של קובץ ה-JSONL ב-Cloud Storage, את המודל ואת מיקום הפלט.
REST
לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:
- LOCATION: אזור שתומך במודלים בפריסה עצמית של Model Garden.
- PROJECT_ID: מזהה הפרויקט. .
- MODEL: שם המודל שרוצים לכוונן, לדוגמה
llama-3.1-8b-instruct. - PUBLISHER: מפרסם המודל, לדוגמה
meta,google,mistral-aiאוdeepseek-ai. - INPUT_URI: המיקום ב-Cloud Storage של קובץ ה-JSONL עם נתוני הקלט לחיזוי באצווה, למשל
gs://bucketname/path/to/jsonl. - OUTPUT_FORMAT: כדי להפיק פלט לטבלה ב-BigQuery, מציינים את הערך
bigquery. כדי להוציא פלט לקטגוריה של Cloud Storage, מציינים אתjsonl. - DESTINATION: ל-BigQuery, מציינים
bigqueryDestination. ב-Cloud Storage, מציינים אתgcsDestination. - OUTPUT_URI_FIELD_NAME: ל-BigQuery, מציינים את הערך
outputUri. ב-Cloud Storage, מציינים אתoutputUriPrefix. - OUTPUT_URI: ב-BigQuery, מציינים את מיקום הטבלה, למשל
myproject.mydataset.output_result. ב-Cloud Storage, מציינים את המיקום של הקטגוריה והתיקייה, למשלgs://mybucket/path/to/outputfile. - MACHINE_TYPE: מגדיר את קבוצת המשאבים לפריסה של המודל, לדוגמה
g2-standard-4. - ACC_TYPE: מציין את המאיצים שצריך להוסיף למשימת החיזוי באצווה כדי לשפר את הביצועים כשעובדים עם עומסי עבודה כבדים, לדוגמה
NVIDIA_L4. - ACC_COUNT: מספר המאיצים שבהם משתמשים במשימת החיזוי באצווה.
ה-method של ה-HTTP וכתובת ה-URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs
גוף בקשת JSON:
'{
"displayName": "JOB_NAME",
"model": "publishers/PUBLISHER/models/MODEL",
"inputConfig": {
"instancesFormat":"jsonl",
"gcsDestination":{
"uris" : "INPUT_URI"
}
},
"outputConfig": {
"predictionsFormat":"OUTPUT_FORMAT",
"DESTINATION":{
"OUTPUT_URI_FIELD_NAME": "OUTPUT_URI"
}
},
"dedicated_resources": {
"machine_spec": {
"machine_type": "MACHINE_TYPE",
"accelerator_type": "ACC_TYPE",
"accelerator_count": ACC_COUNT,
},
"starting_replica_count": 1,
},
}'
כדי לשלוח את הבקשה עליכם לבחור אחת מהאפשרויות הבאות:
curl
שומרים את גוף הבקשה בקובץ בשם request.json ומריצים את הפקודה הבאה:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs"
PowerShell
שומרים את גוף הבקשה בקובץ בשם request.json ומריצים את הפקודה הבאה:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs" | Select-Object -Expand Content
אתם אמורים לקבל תגובת JSON שדומה לזו:
בדיקת הסטטוס של משימת חיזוי באצווה
בודקים את המצב של משימת החיזוי באצווה כדי לראות אם היא הסתיימה בהצלחה. משך העבודה תלוי במספר פריטי הקלט ששלחתם.
REST
לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:
- PROJECT_ID: מזהה הפרויקט. .
- LOCATION: האזור שבו נמצאת המשימה באצווה.
- JOB_ID: מזהה המשימה באצווה שהוחזר כשיצרתם את המשימה.
ה-method של ה-HTTP וכתובת ה-URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs/JOB_ID
כדי לשלוח את הבקשה אתם צריכים לבחור אחת מהאפשרויות הבאות:
curl
מריצים את הפקודה הבאה:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs/JOB_ID"
PowerShell
מריצים את הפקודה הבאה:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs/JOB_ID" | Select-Object -Expand Content
אתם אמורים לקבל תגובת JSON שדומה לזו:
אחזור הפלט
כשהמשימה של חיזוי באצ' מסתיימת, מאחזרים את הפלט מהמיקום שציינתם:
- ב-BigQuery, הפלט נמצא בעמודה response(JSON) בטבלת היעד ב-BigQuery.
- ב-Cloud Storage, הפלט נשמר כקובץ JSONL במיקום הפלט ב-Cloud Storage.
מודלים נתמכים
פלטפורמת הסוכנים של Gemini Enterprise תומכת בחיזויים באצווה למודלים הבאים בפריסה עצמית:
- Llama
publishers/meta/models/llama3_1@llama-3.1-8b-instructpublishers/meta/models/llama3_1@llama-3.1-70b-instructpublishers/meta/models/llama3_1@llama-3.1-405b-instruct-fp8publishers/meta/models/llama3-2@llama-3.2-1b-instructpublishers/meta/models/llama3-2@llama-3.2-3b-instructpublishers/meta/models/llama3-2@llama-3.2-90b-vision-instruct
- Gemma
publishers/google/models/gemma@gemma-1.1-2b-itpublishers/google/models/gemma@gemma-7b-itpublishers/google/models/gemma@gemma-1.1-7b-itpublishers/google/models/gemma@gemma-2b-itpublishers/google/models/gemma2@gemma-2-2b-itpublishers/google/models/gemma2@gemma-2-9b-itpublishers/google/models/gemma2@gemma-2-27b-it
- Mistral
publishers/mistral-ai/models/mistral@mistral-7b-instruct-v0.2publishers/mistral-ai/models/mistral@mistral-7b-instruct-v0.3publishers/mistral-ai/models/mistral@mistral-7b-instruct-v0.1publishers/mistral-ai/models/mistral@mistral-nemo-instruct-2407
- Deepseek
publishers/deepseek-ai/models/deepseek-r1@deepseek-r1-distill-llama-8b