跳到主要內容

【Azure OpenAI】o1 模型與 2024-09-01-preview API

距離上篇在 Early Access Playground 試用 o1 模型後又過了兩週，今天終於等到 API 開放使用啦！本篇將紀錄如何使用 Python SDK 存取 o1 模型。 系列文章 【Azure OpenAI】快速試用 o1 模型 模型佈署 在先前開放的 Early Access Playground 中使用 o1 是不需要另外佈署模型的，不過回到使用 API 來存取 o1 模型，就需要像之前的模型一樣先進行佈署才能使用，相信大家都很熟悉了。 使用 Python SDK 一樣使用熟悉的 openai 套件： 2024-09-01-preview 初始化的方式與先前模型都一樣，需要注意的是 o1 模型目前只能使用最新的 API 版本 2024-09-01-preview 來訪問。 Chat Completions 將 model 填入 o1-preview ，或是你的模型佈署名稱， messages 也一樣是歷史對話堆疊的 List。 回應如下： 查看 Token 使用量 內建 Chain of Thought 的 o1 比起過往的模型會消耗較多的 Token，因此我們特別把 Token 使用量拉出來看。 回應如下： 其中 prompt_tokens 、 completion_tokens 、 total_tokens 在先前的 API 就已經存在了，分別代表Token 的 Input、Output 與總使用量，而在新的 completion_tokens_details 中可以看到  reasoning_tokens 使用了 320 個 Tokens，居然佔了總輸出 Token 的 80% 以上！ 控制 Token 成本 已往我們可以使用  max_tokens 參數來控制 Token 的用量，但在 o1 模型中棄用了 max_tokens ，取而代之的是使用  max_completion_tokens 參數，來看看這段程式碼： 回應如下： 沒東西？那再看一次 Token 量。 回應如下： Token 居然是有被使用的！ 這表示 max_completion_tokens 並不像過往使用  max_tokens 這麼簡單，先前在回應遇到...
張貼留言

【Azure Databricks】使用 Databricks System Tables 找出 2024 年一月的費用重大異常

在一次因緣際會下，我們發現 Azure Databricks 下的 Serverless SQL 在 2024 年 1 月底出現了全球範圍的費用計算異常，本篇文章將紀錄如何使用 Databricks 的 System Tables 追蹤各服務的真實用量，並藉此計算成本後與 Azure 費用帳單核對，以保障自身權益。

Databricks System Tables

Databricks System Tables 是在啟用 Databricks Unity Catalog 後可以使用的一項新功能，截至目前還位於 Public Preview 階段並免費提供使用。

System Tables 在啟用後不用編寫任何程式，就會自動收集一系列由 Databricks 定義好的系統資訊，這邊我們主要先看 system.billing.usage 這張表。

system.billing.usage

system.billing.usage 這張表記錄了所有會被計算費用的 Databricks 資源，並以每個小時每個工作區做彙整，關於這張表的詳細欄位說明可以參考以下官方文檔。

參考連結：https://learn.microsoft.com/zh-tw/azure/databricks/admin/system-tables/billing

使用以下這段 SQL 我們可以整理出 2024 年一月每天 Serverless SQL 所花費的 DBU 數量：

其中我們用 workspace_id 限制查找有開啟 Serverless SQL 功能的工作區，這也會用在我們後續與 Azure 帳單核對。

system.billing.list_prices

system.billing.list_prices 這張表非常單純，紀錄的是各項服務的定價，同時也包含了歷史定價，欄位說明一樣參考官方文檔。

參考連結：https://learn.microsoft.com/zh-tw/azure/databricks/admin/system-tables/pricing

以下這段 SQL 可以看出 Serverless SQL 每 DBU 的歷史定價：

執行結果如下：

可以看出目前 Serverless SQL 的每 DBU 是 0.88 美金，而其中 2023 年 8 月到 2024 年 1 月有一個七折的特價活動，這段時間內每 DBU 是 0.616 美金。

而 0.88 美金這個金額也是公開的資訊，與官方提供的定價表相符合：

參考連結：https://azure.microsoft.com/en-us/pricing/details/databricks/

有了 system.billing.usage 的 DBU 使用量與 system.billing.list_prices 的每 DBU 價格，就能計算出該工作區在 Serverless SQL 的總花費，接著我們就以此金額來對比 Azure 帳單。

使用 Azure Cost Analysis 取得帳單金額

取得 Azure 帳單金額的方式有蠻多種的，這邊就選用最簡單的方式，從 Portal 的成本分析頁面來查看，這個方法只需要 UI 點擊就能做出我們需要的篩選。

首先選擇 Databricks 工作區所在的資源群組，並找到「成本管理」→「成本分析」頁面，再使用以下篩選條件：

  • 時間：2024 年一月份
  • 資源：上述 SQL 查詢的 Databricks 工作區
  • Meter：Premium Serverless SQL DBU
  • 資料粒度：每天
  • 呈現方式：資料表


使用這組篩選條件整理出的資料表就能與前面使用 Databricks System Tables 依 DBU 使用量計算出的金額相比較。

找出異常費用

現在我們有從 Databricks System Tables 依 DBU 使用量計算出的金額，也有從 Azure Cost Analysis 取得的實際帳單金額，就可以將兩者放在一起做比較了。

兩個金額可能因為匯率或進位問題略有差異，但如果其中在 2024 年 1 月 21 日到 2024 年 1 月 31 日發現有較大誤差，那恭喜你也有機會一起爭取異常退款囉！

這個案例已經得到官方支援工程師確認，其導致的原因就是先前提到的 Serverless SQL DBU 七折特價活動，這個特價原預定在 2024 年 2 月 1 日結束，卻提早在 2024 年 1 月 20 日變回原訂價 0.88 美金。

Serverless SQL DBU

最後我們來看一下 Serverless SQL 的計價方式。

有別於在 Databricks 內最常使用的其他兩項服務 All-Purpose Compute 與 Jobs Compute ，費用是由 DBU 與 Azure VM 組成，在 Serverless SQL 中並沒有 Azure VM，而是完全使用 DBU 來計價，所以相比之下 Serverless SQL 具有較高的 DBU 耗用量。

在 DBU 高耗用的情況下 DBU 特價金額就顯得重要了，以 Serverless SQL 最低規格的 2X-Small 來說，需要使用到 4 個 DBU，在特價與原價的每小時費用分別為 $2.46 美金與 $3.52 美金，以不關機的方式計算，十天的異常就會被額外收取 $254.4 美金 💲😨

標籤：
位置： 407台灣台中市西屯區

留言

張貼留言

這個網誌中的熱門文章

【Azure OpenAI】購買 PTU 時微軟不會告訴你的事

Provisioned Throughput Units 一直是目前在 Azure OpenAI 對於延遲問題的最有效解法，同時也是官方最推薦的方案。有別於基本的隨付即用，PTU 具有穩定、可預測的延遲等優勢，適合用於正式上線的生產環境。 但 PTU 的成本是一個不可忽視的問題，儘管選購最小單位量的 PTU，也是需要應用到達一定規模後才看得出使用效益。在確認是否購買 PTU 時，除了詳細閱讀官方文件並使用官方推出的計算機規劃額度外，以下幾點或許也是你該注意的。 不可自行購買 PTU 首先，是的，截自撰文當日 (2024/07/09) PTU 只能透過微軟業務窗口洽詢購買細節，這可能對於多數用戶是不友善的，但我相信這個過程很快就能得到優化。 相關連結： https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/provisioned-throughput#how-do-i-get-access-to-provisioned PTU 的可用區域僅供參考 在官方文件中記錄了下述表格，其中詳細的呈現各種模型的 PTU 在不同地區的可用性，但這張表只是一個參考，因為當你洽詢業務窗口時你會得到另一張不同的表格。 其中對於台灣用戶可能最有影響的，是我們沒辦法在日本東部購買 gpt-4o 模型的 PTU，對於想透過購買 PTU 以降低模型延遲的用戶來說這是一個矛盾的選擇，當然更不用提隨之產生的跨區傳輸量成本。 一樣截至撰文為止，為何在打勾區域✅無法購買的問題，官方並沒有給出任何理由，或許是我們採購量沒有達到官方需要解釋的程度😔 相關連結： https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/provisioned-throughput#what-models-and-regions-are-available-for-provisioned-throughput 有別於你認知的定價策略 承如前述，PTU 的成本絕對是導入時的重要考量點。 PTU 的售價到底是多少 事實上 PTU 的官方售價早就是公開的秘密，稱之為秘密是因為 PTU 的售價截至目前並沒有被列在官方文件或定價計算機中，但在最新的 Azure OpenAI S...
張貼留言
閱讀完整內容

【Azure OpenAI】使用 Assistants API 建立個人助理

千呼萬喚的 Assistants API 終於趕在農曆年假期前一天上線了！我絕對不會說隔壁棚已經上線超過兩個月，趕緊記錄下來試用的心得。 Assistants API 這次增加了託管上下文的線程管理功能，終於不用再每次都把對話紀錄全部塞進 Prompt 了，同時也整合 Function calling、Code Interpreter 與讀取多種格式文件等功能，最後再加上允許圖表輸出，讓開發者可以輕鬆在應用中打造出個人助理。 這次參考了 官方的範例程式 ，其中使用的是 Python SDK 與  2024-02-15-preview 的 API，並且結合目前工作上遇到的一個場景，來演示這次推出的新功能，完整程式碼歡迎查看下方 GitHub。 相關連結： https://github.com/charliewei0716/azure-openai-assistant-data-engineer Assistants API 概念 在過去 OpenAI 的 API 一直都是無狀態的設計，所以如果希望 GPT 的回答是朔及前文的，就必須在每次的對話中，將所有歷史對話紀錄都塞進 API 內，常用的做法是塞入最新的 10 筆對話紀錄，以減少 Token 爆量的問題發生。 而 Assistants API 新增了 Thread 的概念，Thread 支援上下文的持久儲存，這使 API 變成是有狀態的，同時 Thread 將自動管理存入的對話紀錄，雖然這部份就像是黑盒子，官方並沒有明確說明對話的保留機制，但從此以後終於不用再自己搞個 DB 把對話都記錄下來，只需要一直無腦的新增訊息就好。 當一個 Thread 被建立後，可以將每一次對話視為一個 Run，其中我們可以定義 Function calling 與 Code Interpreter 兩類工具：Function calling 就像平常寫程式一樣，可以客製化編寫自己的邏輯，一般常用來做第三方串接，讓自然語言可以轉化為實際的動作；另一項 Code Interpreter 會在背後啟動一個 Python 沙盒環境，Assistants API 會在環境中編輯運行程式碼，藉此提升程式碼回答的正確性。而最終在每一次的 Run 中，GPT 將根據對話自動判斷是否呼叫這些定義好的工具。...
張貼留言
閱讀完整內容

【Azure OpenAI】快速試用 o1 模型

在 OpenAI 與 Azure OpenAI 同時發佈 o1 系列模型的一週後，我也順利通過 Azure OpenAI 的使用申請啦！本篇就來快速試用一下最新的o1 系列模型。 提出申請 目前如果要使用 o1 系列模型都需要經過微軟的資格審查，申請表單可以參考以下連結，表單只需要填寫一份，申請通過後 o1-preview 和 o1-mini 兩個模型都能使用。 相關連結： https://aka.ms/oai/modelaccess 使用 AI Studio 首先你必須要有一個位於 美東 2 地區的 Azure OpenAI 資源，不管是原有的或是新建立的資源都可以。 因為目前 o1 系列模型還處於早期訪問階段，資源中不需要自行佈署模型，取而代之的是需要透過 Early Access Playground 才能使用到 o1 系列模型。 而這次比較特別的是只能使用 AI Studio 的 Playground，看得出來微軟要慢慢整併掉 Azure OpenAI Studio 了。 草莓問題 這次就拿近期已經被大家玩爛的草莓問題來測試，在這個問題中我們會詢問 GPT 在「Strawberry」這個單字裡包含了多少個字母「r」，沒錯，這個草莓問題就是這麼簡單無聊，但結果卻出乎意料。 gpt-4o：兩次 gpt-4o 會有非常高的機率回答：兩次，看似如此簡單的問題又能讓 gpt-4o 屢屢回答錯誤，這就是草莓問題出名的原因，大家也可以自己嘗試看看。 o1-preview：三次 反觀加入 Chain of Thought 概念的 o1-preview 就輕鬆解決了這個草莓問題 😂 總結 根據官方資訊，具有 Chain of Thought 的 o1 模型犧牲了回應的即時性，但大幅改善在邏輯與推理類型問題中的表現，同時成本方面 o1-preview 相較 gpt-4o-0806 貴了 6 倍，對於企業來說就需要好好思考是否有適用的情境了，不過現階段還是繼續期待 API 可用的那天。
張貼留言
閱讀完整內容