Modellbereitstellungsoptionen für Inhaltsverständnis-Analysatoren

Azure Inhaltsverständnis in Foundry Tools verwendet Ihre Foundry-Modellbereitstellungen für alle Vorgänge, die ein generatives KI-Modell erfordern. Dieser Ansatz hilft Ihnen, die bereitgestellte Kapazität zu maximieren und kapazität bei Bedarf in weniger Bereitstellungen zu konsolidieren. Sie können auch das Modell auswählen, das für Ihr Szenario in Bezug auf Preis und Latenz am besten geeignet ist.

Ihnen werden alle Token (Eingabe und Ausgabe), die von der verbundenen Bereitstellung verarbeitet werden, in Rechnung gestellt, und für Content Understanding werden Ihnen nur die für Content Understanding spezifischen Messwerte berechnet. Weitere Informationen zum Abrechnungsmodell finden Sie in der Preiserklärung .

Der Dienst erfordert ein chat completion Modell und ein embeddings Modell und unterstützt für jeden ein paar verschiedene Optionen.

Unterstützte Modelle

Der Dienst wird regelmäßig aktualisiert, um Unterstützung für weitere Modelle hinzuzufügen. Die derzeit unterstützten Modelle sind in Den Dienstgrenzwerten aufgeführt – Unterstützte generative Modelle. Bitte beachten Sie den Modell-Ruhestandsplan, um die Phase im Lebenszyklus eines Foundry-Modells und das Datum der Außerdienststellung nachzuverfolgen.

Note

Die GPT-5-Serienmodelle, einschließlich der Mini- und Nanovarianten, die unterstützt werden, sind für Inhaltsverständnisanalyseer verfügbar. Unterstützung für zusätzliche Modelle wird in zukünftigen Updates hinzugefügt. Die maßgebliche, aktuelle Liste finden Sie unter Dienstlimits – Unterstützte generative Modelle.

Überprüfen Sie unterstützte Modelle pro Analyzer

Verschiedene Analysatoren unterstützen unterschiedliche Modelle. Verwenden Sie die GET Analyse-API, um zu überprüfen, welche Modelle ein bestimmter Analyzer unterstützt:

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

Die Antwort enthält ein supportedModels Objekt, das die fertigstellungs- und einbettungsmodelle auflistet, die von dieser Analyse unterstützt werden. In der folgenden Antwort wird gpt-5.2 als Beispiel verwendet:

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

Modellauswahl für vorgefertigte Analysegeräte

Vordefinierte Analysatoren verwenden Modellaliasen anstelle von direkten Modellnamen in ihrem models Abschnitt. Auf diese Weise kann der Dienst Modellupgrades unterstützen, ohne analysedefinitionen zu ändern.

Vordefinierte Analysegeräte verweisen auf die folgenden Modellaliasen:

Modellalias Verwendet von
prebuilt-analyzer-completion Standard für die meisten vorgefertigten Analysegeräte
prebuilt-analyzer-completion-mini Standard für ausgewählte vorgefertigte Analysegeräte, z. B. prebuilt-*Search
prebuilt-analyzer-embedding Vorgefertigte Analysegeräte, die Einbettungen erfordern

Sie ordnen diese Aliase Ihren tatsächlichen Bereitstellungen in der modelDeployments Konfiguration zu (siehe Festlegen von Standardbereitstellungen).

Funktionsweise der Modellauswahl

Wenn Sie eine benutzerdefinierte Analyse erstellen, können Sie angeben, welches Chat-Vervollständigungsmodell und welches Einbettungsmodell verwendet wird.

{
  "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
}

Tipp

GPT-5.2 ist ein empfohlenes Modell für die Verwendung mit Foundry und dem Studio. Sie können jedes unterstützte Chatabschlussmodell verwenden, das Ihren Qualitäts-, Latenz- und Kostenzielen entspricht. Einbettungsmodelle werden verwendet, wenn Sie bezeichnete Beispiele oder kontextbezogenes Lernen verwenden, um die Analysequalität zu verbessern.

Zwei Methoden zur Bereitstellung von Modellimplementierungen

Zum Festlegen von Modellbereitstellungen haben Sie zwei Optionen:

  • Option 1: Legen Sie Standardmodellbereitstellungen auf Ressourcenebene fest.
  • Option 2: Übergeben Sie die Zeiger für die Bereitstellung des Modells in jeder analyze-Anfrage.

Wenn Sie Ressourcenstandardwerte festlegen, können Sie diese Standardwerte für eine einzelne Anforderung weiterhin außer Kraft setzen, indem Sie sie in diese Anforderung einschließen modelDeployments .

Option 1: Festlegen von Standardbereitstellungen auf Ressourcenebene

Sie können das Inhaltsverständnis direkt mit Ihrer Modellbereitstellung verbinden, wenn Sie die Analyse über die API aufrufen. Um jedoch die Verwaltung über eine Reihe verschiedener Analysegeräte hinweg zu vereinfachen, können Sie Standardmodelle für alle Analysegeräte zentral unter einer bestimmten Foundry-Ressource verwalten. Wählen Sie dazu eine der folgenden Setupmethoden aus:

Den vollständigen Onboarding-Fluss finden Sie in der Schnellstartanleitung: Testen sie Content Understanding Studio.

  1. Öffnen Sie das Content Understanding Studio.
  2. Wählen Sie das Zahnradsymbol "Einstellungen" in der oberen rechten Ecke aus.
  3. Wählen Sie "Ressource hinzufügen" aus, um das Dialogfeld " Neue verbundene Ressource hinzufügen " zu öffnen.
  4. Um eine Ressource zu verbinden, wählen Sie im Dialogfeld das Abonnement, die Ressourcengruppe und die Foundry-Ressource aus. Screenshot des Dialogfelds
  5. Optional: Wählen Sie "Automatische Bereitstellung für erforderliche Modelle aktivieren" aus, wenn keine Standardbereitstellung verfügbar ist.
  6. Wählen Sie "Weiter", überprüfen Sie Zuordnungen, und speichern Sie sie.

Studio kann Standardeinstellungen für unterstützte Vervollständigungs- und Einbettungsmodelle konfigurieren. Wenn die ausgewählte Ressource noch nicht über die erforderlichen Bereitstellungen verfügt, kann Studio sie bereitstellen, wenn die automatische Bereitstellung aktiviert ist. Die aktuelle Liste finden Sie unter "Unterstützte generative Modelle".

Screenshot der Setup- und Configure-Modellbereitstellung im Content Understanding Studio.

Von hier aus können Sie die Features für das Inhaltsverständnis im Webportal ausprobieren, indem Sie die Schritte in der Schnellstartanleitung ausführen.

Option 2: Übergeben Sie die Bereitstellungsmodelle in jeder analyze-Anfrage.

Verwenden Sie diese Option, wenn jede Anforderung explizit auf Modellbereitstellungen verweisen soll, indem Sie ein modelDeployments Objekt in der Analyseanforderung übergeben. Dieser Ansatz bietet Ihnen maximale Flexibilität, unterschiedliche Bereitstellungen für unterschiedliche Anforderungen zu verwenden und erfordert keine Ressourcenstandardwerte.

POST /contentunderstanding/analyzers/myInvoice:analyze?api-version=2025-11-01

{
  "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"
  }
}

Die modelDeployments Werte in dieser Analyseanforderung setzen Standardwerte außer Kraft, die Sie auf Ressourcenebene konfiguriert haben.

Nutzungs- und Abrechnungsdaten

Zu den Analyseantworten gehört die Eigenschaft usage. Diese Eigenschaft liefert die Token-Nutzung für Ihre verbundene Bereitstellung und andere Content Understanding-Nutzungsmesser. Sie können diese Werte mit Bereitstellungsnutzungsdaten vergleichen, um den Verbrauch von Content Understanding mit Ihrer Modellbereitstellung zu korrelieren.

{
  "usage": {
    "documentPagesMinimal": 3, 
    "documentPagesBasic": 2, 
    "documentPagesStandard": 1, 
    "audioHours": 0.234,
    "videoHours": 0.123,
    "contextualizationTokens": 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*/
    }
  }
}

Ausführliche Informationen zur Funktionsweise der Abrechnung für das Inhaltsverständnis finden Sie in der Preiserklärung.

Inhaltsfilterung und Guardrails

Jede Foundry-Modellbereitstellung verfügt über eine zugeordnete Guardrails-Instanz, die Inhalte auf Sicherheit auswertet. Content Understanding zeigt die Guardrails-Ausgabe direkt in der Analyseantwort als content_filters-Array. Wenn eine Guardrails-Instanz Inhalte blockiert, gibt der Analysevorgang einen Fehler zurück. Wenn der Inhalt kommentiert wird, durchläuft das Ergebnis die angefügten Filtermetadaten.

Aktualisieren Sie die Guardrails-Konfiguration für die Modellbereitstellung in Ihrem Azure AI Foundry -Projekt, um die Schwellenwerte für Inhaltsfilter anzupassen oder von Blockieren auf Kommentieren zu wechseln. Weitere Informationen finden Sie unter Inhaltsfilterung und Guardrails und der content_filters Antwortobjektreferenz.

Verwandte Inhalte

  • Last updated on