Skip to main content
Open In Colab在 GitHub 上打开

ModelScopeChatEndpoint

ModelScope （主页 |GitHub）建立在“模型即服务”（MaaS） 的概念之上。它旨在汇集 AI 社区中最先进的机器学习模型，并简化在实际应用程序中利用 AI 模型的过程。此存储库中开源的核心 ModelScope 库提供了允许开发人员执行模型推理、训练和评估的接口和实现。

这将帮助您开始使用 ModelScope Chat Endpoint。

概述

集成详细信息

提供商类包本地化序列 化软件包下载最新包装
ModelScopeModelScopeChatEndpointlangchain-modelscope-integration❌❌PyPI - DownloadsPyPI - Version

设置

要访问 ModelScope 聊天终端节点，您需要创建一个 ModelScope 账户，获取 SDK 令牌，并安装langchain-modelscope-integration集成包。

凭据

前往 ModelScope 注册 ModelScope 并生成 SDK 令牌。完成此作后，设置MODELSCOPE_SDK_TOKEN环境变量：

import getpass
import os

if not os.getenv("MODELSCOPE_SDK_TOKEN"):
    os.environ["MODELSCOPE_SDK_TOKEN"] = getpass.getpass(
        "Enter your ModelScope SDK token: "
    )

安装

LangChain ModelScope 集成位于langchain-modelscope-integration包：

%pip install -qU langchain-modelscope-integration

实例

现在我们可以实例化我们的 Model 对象并生成聊天补全：

from langchain_modelscope import ModelScopeChatEndpoint

llm = ModelScopeChatEndpoint(
    model="Qwen/Qwen2.5-Coder-32B-Instruct",
    temperature=0,
    max_tokens=1024,
    timeout=60,
    max_retries=2,
    # other params...
)

调用

messages = [
    (
        "system",
        "You are a helpful assistant that translates English to Chinese. Translate the user sentence.",
    ),
    ("human", "I love programming."),
]
ai_msg = llm.invoke(messages)
ai_msg
AIMessage(content='我喜欢编程。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 3, 'prompt_tokens': 33, 'total_tokens': 36, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_name': 'qwen2.5-coder-32b-instruct', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-60bb3461-60ae-4c0b-8997-ab55ef77fcd6-0', usage_metadata={'input_tokens': 33, 'output_tokens': 3, 'total_tokens': 36, 'input_token_details': {}, 'output_token_details': {}})
print(ai_msg.content)
我喜欢编程。

链接

我们可以用 prompt 模板链接我们的模型，如下所示：

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate(
    [
        (
            "system",
            "You are a helpful assistant that translates {input_language} to {output_language}.",
        ),
        ("human", "{input}"),
    ]
)

chain = prompt | llm
chain.invoke(
    {
        "input_language": "English",
        "output_language": "Chinese",
        "input": "I love programming.",
    }
)
API 参考：ChatPromptTemplate
AIMessage(content='我喜欢编程。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 3, 'prompt_tokens': 28, 'total_tokens': 31, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_name': 'qwen2.5-coder-32b-instruct', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-9f011a3a-9a11-4759-8d16-5b1843a78862-0', usage_metadata={'input_tokens': 28, 'output_tokens': 3, 'total_tokens': 31, 'input_token_details': {}, 'output_token_details': {}})

API 参考

有关所有 ModelScopeChatEndpoint 功能和配置的详细文档，请参阅参考：https://modelscope.cn/docs/model-service/API-Inference/intro