Ativar o processamento prioritário para modelos Microsoft Foundry

O processamento prioritário oferece desempenho de baixa latência com a flexibilidade do pay-as-you-go. Neste artigo, ativa o processamento prioritário numa implementação de modelo, verifica qual o nível de serviço que processou os seus pedidos e monitoriza os custos associados.

Pré-requisitos

• Uma subscrição Azure - Crie uma gratuitamente.
• Um projeto Microsoft Foundry com um modelo do tipo de implantação GlobalStandard ou DataZoneStandard foi implementado.
• Versões 2025-12-01 do modelo ou posteriores.

Principais casos de uso

• Consistência e baixa latência para experiências de utilizador responsivas.
• Simplicidade de pagar conforme o uso , sem compromissos a longo prazo.
• Tráfego durante o horário de expediente ou com picos de atividade que beneficia de desempenho escalável e eficiente em termos de custos. Pode, opcionalmente, combinar processamento prioritário com Unidades de Débito Provisionadas (PTU) para capacidade constante e otimização de custos.

Meta de latência

A tabela seguinte lista o valor do alvo de latência para cada modelo que suporta processamento prioritário. O valor-alvo da latência é calculado como a latência p50 dos pedidos, com base em intervalos de 5 minutos, e expresso como um limiar de percentil. Por exemplo, "99% > 50 Tokens por Segundo (TPS)" significa que 99% dos pedidos são processados a mais de 50 tokens por segundo.

¹Contexto longo para este modelo, ou seja, pedidos estimados como superiores a 272k tokens de prompt são rebaixados para processamento padrão e cobrados à taxa padrão de nível.

²Contexto longo para este modelo, ou seja, pedidos estimados em exceder 128k tokens de prompt são rebaixados para processamento padrão e cobrados à taxa de nível padrão.

Disponibilidade de processamento prioritário por tipo de implementação

O processamento prioritário pode ser ativado em implementações com padrão Global ou em implementações padrão de Zona de Dados (EUA). Para informações sobre preços, consulte a página de preços da Azure OpenAI.

Ativar o processamento prioritário ao nível de implementação

Pode ativar o processamento prioritário ao nível de implementação e (opcionalmente) ao nível do pedido.

No portal Microsoft Foundry, ative a opção Priority processing na página de detalhes da implementação ao criar a implementação ou atualize a definição de um modelo implementado editando os detalhes da implementação.

Uma vez que a implementação do modelo esteja configurada para usar processamento prioritário, pode começar a enviar pedidos para o modelo.

Ver métricas de utilização

Pode ver a medida de utilização do seu recurso na secção Azure Monitor do portal Azure.

Para visualizar o volume de pedidos processados pelo processamento padrão versus o processamento prioritário, divida-se pelo nível de serviço (padrão ou prioridade) que estava no pedido original:

1. Iniciar sessão em https://portal.azure.com.
2. Vai ao teu recurso Azure OpenAI e seleciona a opção Métricas na navegação à esquerda.
3. Na página de métricas, adicione a métrica pedidos Azure OpenAI. Também pode selecionar outras métricas como latência do Azure OpenAI, utilização do Azure OpenAI, entre outras.
4. Selecione Adicionar filtro para selecionar a implementação padrão em que os pedidos de processamento prioritário foram tratados.
5. Selecione Aplicar divisão para dividir os valores por ServiceTierRequest e ServiceTierResponse.

Para mais informações sobre monitorização das suas implementações, consulte Monitor Azure OpenAI.

Monitorizar custos

Pode ver uma divisão dos custos para pedidos prioritários e padrão na página de análise de custos do portal Azure, filtrando pelo nome de implementação e etiquetas de faturação da seguinte forma:

1. Vai à página de análise de custos no portal Azure.
2. (Opcional) Filtrar por recurso.
3. Para filtrar por nome de implementação: Adicione um filtro para a Tag de faturação, selecione "implementação" como valor e depois escolha o nome da implementação.

Para informações sobre preços para processamento prioritário, consulte a visão geral de preços Azure OpenAI Service.

Ativar o processamento prioritário ao nível do pedido

Ativar o processamento prioritário ao nível do pedido é opcional. Tanto a API de completação de chat como a API de respostas têm um atributo service_tier opcional que especifica o tipo de processamento a usar ao servir um pedido. O exemplo seguinte mostra como definir service_tier como priority num pedido de resposta.

curl -X POST https://YOUR-RESOURCE-NAME.openai.azure.com/openai/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AZURE_OPENAI_AUTH_TOKEN" \
  -d '{
     "model": "gpt-4.1",
     "input": "This is a test",
     "service_tier": "priority"
    }'

Use o service_tier atributo para sobrepor a definição de nível de implantação. service_tier pode tomar os valores auto, default, e priority.

• Se não definires o atributo, ele passa por defeito a auto.

• service_tier = auto significa que o pedido utiliza o nível de serviço configurado na implementação.

• service_tier = default significa que o pedido utiliza o preço e desempenho padrão para o modelo selecionado.

• service_tier = priority significa que o pedido utiliza o nível de serviço de processamento prioritário.

A tabela seguinte resume qual o nível de serviço que processa os seus pedidos com base nas definições ao nível de implementação e ao nível de pedido para service_tier.

Limitações

• Atualmente, o serviço não suporta implementações padrão regionais nem implementações padrão para zonas de dados na UE.

• O serviço pode redirecionar alguns pedidos de prioridade para processamento padrão* durante estes cenários:

  • Se aumentos rápidos nos teus tokens de prioridade de processamento por minuto levam a atingir os limites de taxa de rampa. Atualmente, o limite de taxa de rampa é definido como aumentar o tráfego em mais de 50% tokens por minuto em menos de 15 minutos.
  • Durante períodos de pico de pedidos, há prioridade no processamento.
  • Pedidos de contexto longos enviados a certos modelos listados na tabela de alvo de latência.

  Dica

  Se encontrar regularmente limites de taxa de rampa, considere comprar PTU em vez de ou além do processamento prioritário.

  * O serviço cobra pedidos processados pelo nível de serviço padrão a tarifas padrão. Os pedidos processados pelo nível de serviço padrão incluem service_tier = default na resposta, enquanto os pedidos processados pelo nível de processamento prioritário incluem service_tier = priority na resposta.

Resolução de problemas

Conteúdo relacionado

• Débito provisionado
• Gestão do tráfego de transição
• Tipos de implantação
• Monitorização do Azure OpenAI
• Compreender os custos associados à PTU