Варианты развертывания модели для анализаторов Content Understanding

Azure Распознавание содержимого в Средствах Foundry использует развертывания модели Foundry для всех операций, требующих генеративной модели искусственного интеллекта. Этот подход помогает максимально увеличить предоставленную емкость и объединить её в более компактные развертывания по мере необходимости. Вы также можете выбрать модель, которая лучше всего подходит вашему сценарию с учетом цены и задержки.

Вы оплачиваете все токены (входные и выходные данные), обработанные подключенным развертыванием, а система "Понимание содержимого" взимает плату только за счетчики, относящиеся к распознаванию контента. Дополнительные сведения о модели выставления счетов см. в описании ценовой категории.

Служба требует модель chat completion и модель embeddings и поддерживает несколько различных вариантов для каждой.

Поддерживаемые модели

Служба периодически обновляется, чтобы добавить поддержку для дополнительных моделей. Поддерживаемые в настоящее время модели перечислены в ограничениях службы — поддерживаемые генеративные модели. Ознакомьтесь с расписанием выхода на пенсию модели , чтобы отслеживать этап жизненного цикла модели Foundry и дату выхода на пенсию.

Проверка поддерживаемых моделей для каждого анализатора

Различные анализаторы поддерживают различные наборы моделей. Чтобы проверить, какие модели поддерживает конкретный анализатор, используйте GET API анализаторов:

GET /contentunderstanding/analyzers/{analyzerId}?api-version=2025-11-01

Ответ включает supportedModels объект, который содержит допустимые модели завершения и внедрения для этого анализатора:

{
  "analyzerId": "prebuilt-invoice",
  // ...
  "supportedModels": {
    "completion": [
      "gpt-4.1",
      "gpt-5.2"
    ],
    "embedding": [
      "text-embedding-3-large"
    ]
  },
  "models": {
    "completion": "prebuilt-analyzer-completion",
    "embedding": "prebuilt-analyzer-embedding"
  }
}

Выбор модели для предварительно созданных анализаторов

Предварительно созданные анализаторы используют псевдонимы модели вместо прямых имен моделей в их models разделе. Это позволяет службе поддерживать обновления модели без изменения определений анализатора.

Предварительно настроенные анализаторы используют следующие псевдонимы моделей:

Эти псевдонимы сопоставляют с фактическими развертываниями в modelDeployments конфигурации (см. раздел "Задать развертывания по умолчанию").

Принцип работы выбора модели

При создании пользовательского анализатора можно указать модель завершения чата и модель внедрения, которую он использует.

{
  "analyzerId": "myInvoice",
  "models": {
    // Specify the completion and embedding models for this custom analyzer by referencing the model aliases
    "completion": "prebuilt-analyzer-completion",
    "embedding": "prebuilt-analyzer-embedding"
  },
  "config": {

  }
  // Complete analyzer definition
}

Два способа предоставления развертываний моделей

Чтобы настроить развертывания модели, у вас есть два варианта:

• Вариант 1. Задайте развертывания модели по умолчанию на уровне ресурса.
• Вариант 2. Передайте указатели развертывания модели в каждом запросе на анализ.

Если вы задаете значения по умолчанию ресурсов, вы по-прежнему можете переопределить эти значения по умолчанию для одного запроса, включив modelDeployments его в этот запрос.

Вариант 1. Установка развертываний по умолчанию на уровне ресурса

Вы можете напрямую подключить Content Understanding к развертыванию модели, вызвав анализ через API. Однако для упрощения управления в наборе различных анализаторов можно централизованно управлять моделями по умолчанию для всех анализаторов в рамках заданного ресурса Foundry. Для этого выберите один из следующих методов установки:

PATCH /contentunderstanding/defaults
{
  "modelDeployments": {
    "gpt-5.2": "myGpt52Deployment",
    "text-embedding-3-large": "myTextEmbedding3LargeDeployment",
    // Specify default model deployments using "model alias": "deployment name"
    "prebuilt-analyzer-completion": "myGpt52Deployment",
    "prebuilt-analyzer-completion-mini": "myGpt41-miniDeployment",
    "prebuilt-analyzer-embedding": "myTextEmbedding3LargeDeployment"
  }
}

POST /contentunderstanding/analyzers/myInvoice:analyze
{
  "inputs": [
    {
      "url": "https://github.com/Azure-Samples/azure-ai-content-understanding-python/raw/refs/heads/main/data/invoice.pdf"
    }
  ]
  // No modelDeployments needed - uses resource defaults
}

Вариант 2. Передача развертываний модели в каждом запросе на анализ

Используйте этот параметр, если требуется, чтобы каждый запрос явно указывал на развертывания модели путем передачи modelDeployments объекта в запросе на анализ. Этот подход обеспечивает максимальную гибкость использования разных развертываний для разных запросов и не требует использования ресурсов по умолчанию.

POST /contentunderstanding/analyzers/myInvoice:analyze
{
  "inputs": [
    {
      "url": "https://github.com/Azure-Samples/azure-ai-content-understanding-python/raw/refs/heads/main/data/invoice.pdf"
    }
  ],
  "modelDeployments": {
    "prebuilt-analyzer-completion": "myGpt52Deployment",
    "prebuilt-analyzer-embedding": "myTextEmbedding3LargeDeployment"
  }
}

Значения modelDeployments в этом запросе анализа переопределяют значения по умолчанию, настроенные на уровне ресурса.

Данные об использовании и выставлении счетов

Анализ ответов включает свойство usage. Это свойство сообщает об использовании токенов для подключенного развертывания и других счетчиков использования содержимого. Эти значения можно сравнить с данными об использовании развертывания, чтобы сопоставить данные о потреблении из системы Content Understanding с развертыванием модели.

{
  "usage": {
    "documentPagesMinimal": 3, 
    "documentPagesBasic": 2, 
    "documentPagesStandard": 1, 
    "audioHours": 0.234,
    "videoHours": 0.123,
    "contextualizationToken": 1000,
    "tokens": {
      "gpt-5.2-input": 1234, /*Completion model Input and output tokens consumed*/
      "gpt-5.2-output": 2345,
      "text-embedding-3-large": 3456 /*Embedding tokens consumed*/
    }
  }
}

Дополнительные сведения о том, как работает выставление счетов для службы "Распознавание контента", см. в описании ценообразования.

Фильтрация содержимого и ограничительные меры

Каждое развертывание модели Foundry связано с экземпляром Guardrails, который оценивает содержимое на безопасность. Понимание содержимого предоставляет выходные данные Guardrails непосредственно в ответе анализа в виде массива content_filters . Если экземпляр Guardrails блокирует содержимое, операция анализа возвращает ошибку; если оно аннотирует содержимое, результат передается с прикрепленными метаданными фильтра.

Чтобы настроить пороговые значения фильтра содержимого или переключиться с блокировки на аннотирование, обновите конфигурацию Guardrails в развертывании модели в проекте Azure AI Foundry. Дополнительные сведения см. в разделе "Фильтрация содержимого" и "Ограничения" исправочник по объектамcontent_filters ответа.

Связанное содержимое

• Узнать больше о ценах на понимание контента.
• Дополнительные сведения об анализаторах распознавания содержимого.