AI_GENERATE是MaxCompute提供的AI Function，用于调用模型结合提示词执行推理任务，支持自然语言生成、复杂逻辑分析、情感分类、多模态理解等场景。用户可通过SQL直接完成非结构化数据的智能处理，无需外部服务依赖。
命令格式
AI_GENERATE在调用LLM大语言模型和MLLM多模态大语言模型时，会有不同的函数签名。
当model_type为LLM大语言模型时，函数签名如下：
STRING AI_GENERATE( STRING <model_name> , STRING <version_name>, STRING <prompt> [, STRING <model_parameters>] );当model_type为MLLM多模态大语言模型时，函数签名如下：
STRING AI_GENERATE( STRING <model_name>, STRING <version_name>, STRING | BINARY <unstructured_data> , STRING <prompt> STRING <type> [, STRING <model_parameters>] );
参数说明
model_name：必填。STRING类型。待使用的模型名。支持模型的model_type为LLM或MLLM。
version_name：必填。STRING类型。待使用的模型版本名。如果调用默认version，支持直接输入
DEFAULT_VERSION。prompt：必填。STRING类型。待输入的模型提示词。
STRING类型常量、列名或表达式。unstructured_data：必填（当model_type为MLLM时）。STRING或BINARY类型。
需要处理的多模态数据，支持指定为图片/音频/视频STRING类型的URL地址，或图片BINARY类型的二进制表示。当指定为BINARY类型时，需要在创建模型时同时指定BINARY类型的输入参数。
type：当unstructured_data为图片/音频/视频STRING类型的URL地址时，type必填。支持取值为IMAGE/AUDIO/VIDEO。例如：
音频：
AI_GENERATE(model, version,audio_url, prompt, 'AUDIO');视频：
AI_GENERATE(model, version, video_url, prompt, 'VIDEO');图像：
AI_GENERATE(model, version, image_url, prompt, 'IMAGE');
model_parameters：选填。STRING类型。支持指定模型调用相关参数max_tokens、temperature、top_p，格式为
'{"max_tokens": 500, "temperature": 0.6, "top_p": 0.95}'。参数说明如下：max_tokens：设置模型单次调用输出token的最大数量，对于MaxCompute公共模型，默认值为4096。
temperature：介于0到1之间的值，用于控制模型输出的随机性。越高的值会导致模型输出的多样化和随机性越高。
top_p：介于0到1之间的值，用于控制模型的随机性和多样性，越大的值会导致模型输出的随机性越高。
使用AI Function调用公共模型推理时，需要SET odps.sql.using.public.model=true;打开使用公共模型开关。
返回值说明
返回STRING类型，模型的生成内容结果。
使用示例
示例1：调用模型生成文本摘要
调用MaxCompute提供的公共模型qwen3-max，对新闻内容生成摘要。
SET odps.namespace.schema=true;
SELECT AI_GENERATE(bigdata_public_modelset.default.`qwen3-max`,DEFAULT_VERSION,
"请用一句话对以下新闻进行总结：很多人都知道吃得太咸会导致血压升高。
可你有没有发现，明明少吃盐了，血压还是居高不下，甚至悄悄往上升？
如今随着医学研究的深入，越来越多高血压的幕后推手被发现。
日前，一项最新研究揪出了三个藏得很深的血压推手——它们看起来平常，
却可能让血压悄悄失控。不只盐吃多了，研究揪出高血压三个幕后推手。
2025 年 11 月，发表在国际期刊《教育与健康促进杂志》的一项研究发现：
睡眠质量好坏、运动量的多少和体重是否健康，这三者紧密交织，共同影响着我们的血压，甚至是高血压的幕后推手。");使用公共模型如qwen3-max会产生MaxCompute AI推理费用，详见：模型计算费用（Token费用）。
示例2：调用模型生成内容
调用MaxCompute提供的公共模型Qwen3-0.6B-GGUF，直接进行模型调用与内容生成。
SET odps.sql.using.public.model=true;
SET odps.namespace.schema=true;
SELECT AI_GENERATE(bigdata_public_modelset.default.Qwen3-0.6B-GGUF,DEFAULT_VERSION,'what is the capital of China');
-- 返回结果：
-- "The capital of China is **Beijing**."示例3：调用模型进行情感分析
调用MaxCompute提供的公共模型Qwen3-1.7B-GGUF，对网络用户评论数据进行情感分析。
SET odps.sql.using.public.model=true;
SET odps.namespace.schema=true;
SELECT
prompt,
AI_GENERATE(
bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
DEFAULT_VERSION,
concat('请对以下评论进行情感分析分类，输出结果仅限于以下三个选项之一：正面、负面、中性。待分析的评论:', prompt)
) AS generated_text
FROM (
VALUES
('今天天气真好，心情很不错！阳光明媚，适合出去散步。 /no_think'),
('今天天气真好，心情很不错！阳光明媚 /no_think'),
('科技发展日新月异，人工智能改变生活。 /no_think'),
('防控措施很到位，为医护人员点赞！ /no_think'),
('这个商品质量很差 /no_think')
) t (prompt);
-- 返回结果：
+-----------------------------------------------------+----------------+
| prompt | generated_text |
+-----------------------------------------------------+----------------+
| 今天天气真好，心情很不错！阳光明媚，适合出去散步 /no_think | "正面" |
| 今天天气真好，心情很不错！阳光明媚 /no_think | "正面" |
| 科技发展日新月异，人工智能改变生活。 /no_think | "正面" |
| 防控措施很到位，为医护人员点赞！ /no_think | "正面" |
| 这个商品质量很差 /no_think | "负面" |
+-----------------------------------------------------+----------------+
示例4：调用模型进行多模态数据处理
调用已经创建好的模型PAI_EAS_Qwen25_Omni_3B（PAI-EAS远程模型），并创建好Object Table，即可调用AI Function，详细步骤参考使用MaxCompute远程模型自动生成电商选品描述。
支持VPC调用地址（推荐）或EAS公网调用地址。
若使用EAS VPC调用地址，需要开通专线网络连接并在AI Function调用时指定配置的网络连接名称，配置流程请参见访问VPC方案（专线直连）；
若使用EAS公网调用地址，需求在AI Function调用前，将该地址设置为可用的MaxCompute外部网络地址，配置方案见：网络开通流程。
图片处理
基于图片的URL地址及提示词进行模型调用，实现商品类目打标。示例中Object Table命名为
image_demo。SELECT key, AI_GENERATE( PAI_EAS_Qwen25_Omni_3B, v1, image_url, "从电商商品销售海报中识别并提取商品所属的类目。返回结果仅限于如下六个选项之一：美妆、服装、日用、食品、其他、电子产品，不包含其他文字或信息","IMAGE" ) AS item_catagory FROM ( SELECT GET_SIGNED_URL_FROM_OSS( 'project_test_model.default.image_demo', key, 604800 ) AS image_url, key AS key FROM project_test_model.default.image_demo ) Limit 10; -- 返回结果： +--------------------+----------------+ | key | item_catagory | +--------------------+----------------+ | alimamazszw-1.jpg | 食品 | | alimamazszw-10.jpg | 电子产品 | | alimamazszw-11.jpg | 电子产品 | | alimamazszw-12.jpg | 美妆 | | alimamazszw-13.jpg | 电子产品 | | alimamazszw-14.jpg | 日用 | | alimamazszw-15.jpg | 美妆 | | alimamazszw-16.jpg | 美妆 | | alimamazszw-18.jpg | 日用 | +--------------------+---------------+音频处理
基于音频的URL地址及提示词进行模型调用，实现音频类别打标。示例中Object Table命名为
music_demo。音频数据集下载地址。SELECT key, AI_GENERATE( PAI_EAS1_Qwen25_Omni_3B, v1, audio_url, "请准确分析音频的音乐类型，返回结果只显示如下七个选项之一，不显示任何额外信息：古典、乡村、嘻哈、金属、流行、雷鬼、摇滚","AUDIO" ) as item_catagory from ( select GET_SIGNED_URL_FROM_OSS( 'project_test_model.default.music_demo', key, 604800 ) as audio_url, key as key from project_test_model.default.music_demo ) Limit 42;
常见问题
EAS远程模型常见问题排查
如果通过AI_GENERATE函数调用MaxCompute远程模型，作业运行后返回结果为空，建议按照以下流程进行排查：
创建远程模型参数检查
PAI_EAS_SERVICE_NAME：
需要确认EAS服务是否已加入某个服务群组。
若已加入此处需要填写“群组名称.服务名称”，如group.service_name；
若未加入则仅需填写EAS服务名称。
Endpoint：
设置模型ENDPOINT参数时，无论希望使用EAS 公网或VPC地址（推荐使用），都不需要提供.com后的信息，正确的地址格式举例：
http://1*************70.cn-shanghai.pai-eas.aliyuncs.com。APIKEY：
确认提供了正确的PAI EAS 服务Token。
获取具体参数信息，请参见获取访问地址和Token。
AI_GENERATE函数参数检查
当需要处理音频/视频数据时，unstructured_data不支持使用BINARY类型；
若使用的是STRING类型的URL地址，但仍然无返回时，请确认是否正确填写type值，支持取值为IMAGE/AUDIO/VIDEO。例如：
SELECT key, AI_GENERATE( PAI_EAS1_Qwen25_Omni_3B, v1, audio_url, "请精确分析音频的音乐类型，返回结果只显示如下七个选项之一，不显示任何额外信息：古典、乡村、嘻哈、金属、流行、雷鬼、摇滚","AUDIO" ) as item_catagory from ( select GET_SIGNED_URL_FROM_OSS( 'project_test_model.default.music_demo', key, 604800 ) as audio_url, key as key from project_test_model.default.music_demo ) Limit 42;
运行状态检查
手动关闭查询加速任务，排除SQLRT任务对模型调用的影响。在AI_GENERATE函数调用前增加：
set odps.mcqa.disable=true;部分场景下，作业提交会默认开启查询加速，但开启后会影响远程模型调用，需用户手动关闭。
EAS资源检查
请检查远程模型对应EAS资源是否充足，是否在作业执行期间出现资源不足如OOM等异常问题，如有，请扩容后重试。