AI_GENERATE-云原生大数据计算服务 MaxCompute(MaxCompute)-阿里云帮助中心

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 <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STRING类型的URL地址，或图片BINARY类型二进制表示，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。
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。

说明

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：调用模型进行内容生成。

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;
-- 返回结果。
-- "The capital of China is **Beijing**."
SELECT AI_GENERATE(bigdata_public_modelset.default.Qwen3-0.6B-GGUF,DEFAULT_VERSION,'what is the capital of China');

示例2：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;
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3：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），并创建好名为image_demo的Object Table，详细步骤参考使用MaxCompute远程模型自动生成电商选品描述，即可调用AI Function。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。

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"
  ) AS item_catagory
  FROM (
    SELECT GET_SIGNED_URL_FROM_OSS(
      'pd_test_model.default.image_demo', key, 604800
    ) AS image_url, key AS key
    FROM pd_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           | 
+--------------------+---------------+