Связаться с намиПодключиться

Использовать классификаторы по промту на базе YandexGPT

Статья создана
Обновлена 14 октября 2025 г.

Сервис Yandex AI Studio предоставляет классификаторы по промту на базе YandexGPT двух видов: Zero-shot и Few-shot. Чтобы направить запрос к классификатору по промту, используйте метод fewShotClassify Text Classification API или Yandex Cloud ML SDK.

Перед началом работы

Чтобы воспользоваться примерами:

  1. Создайте сервисный аккаунт и назначьте ему роль ai.languageModels.user.

  2. Получите и сохраните API-ключ сервисного аккаунта.

    В примерах используется аутентификация с помощью API-ключа. Yandex Cloud ML SDK также поддерживает аутентификацию с помощью IAM-токена и OAuth-токена. Подробнее см. в разделе Аутентификация в Yandex Cloud ML SDK.

    Примечание

    Если вы используйте ОС Windows, рекомендуем предварительно установить оболочку WSL и выполнять дальнейшие действия в этой оболочке.

  3. Установите Python версии 3.10 или выше.

  4. Установите библиотеку Python venv для создания изолированных виртуальных окружений в Python.

  5. Создайте и войдите в новое виртуальное окружение Python:

    python3 -m venv new-env
source new-env/bin/activate

  6. С помощью менеджера пакетов pip установите библиотеку ML SDK:

    pip install yandex-cloud-ml-sdk

  1. Получите данные для аутентификации в API, как описано в разделе Аутентификация в API Yandex AI Studio.

  2. Чтобы воспользоваться примерами, установите cURL.

Отправьте запрос к классификатору

В данный код входят два независимые друг от друга примера, иллюстрирующие различные варианты использования интерфейса SDK:

  • Пример 1: запрос к классификатору Zero-shot.
  • Пример 2: запрос к классификатору Few-shot.

  1. Создайте файл classify.py и добавьте в него следующий код:

    #!/usr/bin/env python3
# pylint: disable=duplicate-code

from __future__ import annotations
from yandex_cloud_ml_sdk import YCloudML

request_text = 'переведи на английский "какая погода в лондоне?"'


def main():
    sdk = YCloudML(
        folder_id="<идентификатор_каталога>",
        auth="<API-ключ>",
    )

    # Sample 1: Zero-shot classification
    model = sdk.models.text_classifiers("yandexgpt").configure(
        task_description="определи тип интента",
        labels=["перевод", "будильник", "погода"],
    )

    result = model.run(request_text)

    print("Zero-shot classification:")

    for prediction in result:
        print(prediction)

    # Sample 2: Few-shot classification
    model = model.configure(
        task_description="определи тип интента",
        labels=["перевод", "будильник", "погода"],
        samples=[
            {"text": "поставь будильник", "label": "будильник"},
            {"text": "погода на завтра", "label": "погода"},
            {"text": 'переведи фразу "поставь будильник"', "label": "перевод"},
        ],
    )

    result = model.run(request_text)

    print("Few-shot classification:")

    for prediction in result:
        print(prediction)


if __name__ == "__main__":
    main()

    Где:

    • request_text — текстовое содержимое сообщения.

      В качестве входных данных для запроса Yandex Cloud ML SDK может принимать строку, словарь, объект класса TextMessage или массив, содержащий любое сочетание указанных типов данных. Подробнее см. в разделе Использование Yandex Cloud ML SDK.

    Подробнее о том, как обращаться к моделям классификаторов, см. в разделе Обращение к моделям.

  2. Выполните созданный файл:

    python3 classify.py

    В ответе сервис вернет результаты классификации для обоих примеров с определенными значениями вероятности (confidence) отнесения текста запроса к каждому из классов:

    TextClassificationLabel(label='перевод', confidence=0.9999947046656092)
TextClassificationLabel(label='будильник', confidence=6.01089130732152e-09)
TextClassificationLabel(label='погода', confidence=4.289328794822987e-06)
Few-shot classification:
TextClassificationLabel(label='перевод', confidence=0.9999989886405171)
TextClassificationLabel(label='будильник', confidence=4.4148929001561725e-09)
TextClassificationLabel(label='погода', confidence=6.945601458737463e-09)

Пример ниже разработан для выполнения в операционных системах MacOS и Linux. Чтобы выполнить его в системе Windows, ознакомьтесь с особенностями работы с Bash в Microsoft Windows.

  1. Создайте файл с телом запроса (например, body.json):

    Классификатор Zero-shot
    {
  "modelUri": "cls://<идентификатор_каталога>/yandexgpt/latest",
  "text": "5:0",
  "task_description": "Определи категорию статьи по ее заголовку",
  "labels": [
    "культура",
    "технологии",
    "спорт"
  ]
}

    Где:

    • modelUri — идентификатор модели, которая будет использоваться для классификации сообщения. Параметр содержит идентификатор каталога Yandex Cloud.

    • text — текстовое содержимое сообщения.

    • taskDescription — текстовое описание задания для классификатора.

    • labels — массив классов.

      Задавайте осмысленные названия для классов labels: это обязательное условие получения корректных результатов классификации. Например: вместо классов хм и фз используйте классы химия и физика.

    Классификатор Few-shot
    {
  "modelUri": "cls://<идентификатор_каталога>/yandexgpt/latest",
  "text": "переведи на английский \"какая погода в лондоне?\"",
  "task_description": "определи тип интента",
  "labels": [
    "перевод",
    "будильник",
    "погода"
  ],
  "samples": [
    {
      "text": "поставь будильник",
      "label": "будильник"
    },
    {
      "text": "погода на завтра",
      "label": "погода"
    },
    {
      "text": "переведи фразу \"поставь будильник\"",
      "label": "перевод"
    }
  ]
}

    Где:

    • modelUri — идентификатор модели, которая будет использоваться для классификации сообщения. Параметр содержит идентификатор каталога Yandex Cloud.

    • text — текстовое содержимое сообщения.

    • taskDescription — текстовое описание задания для классификатора.

    • labels — массив классов.

      Задавайте осмысленные названия для классов labels: это обязательное условие получения корректных результатов классификации. Например: вместо классов хм и фз используйте классы химия и физика.

    • samples — массив с примерами запросов для классов, заданных в поле labels. Примеры запросов передаются в виде объектов, каждый из которых содержит один образец текстового запроса и класс, к которому такой запрос следует относить.

  2. Отправьте запрос к классификатору, выполнив команду:

    export IAM_TOKEN=<IAM-токен>
curl \
  --request POST \
  --header "Authorization: Bearer ${IAM_TOKEN}" \
  --data "@<путь_к_файлу_с_телом_запроса>" \
  "https://llm.api.cloud.yandex.net/foundationModels/v1/fewShotTextClassification"

    Примечание

    Эндпоинт https://llm.api.cloud.yandex.net/foundationModels/v1/fewShotTextClassification работает только с классификаторами по промту. Для дообученных классификаторов используйте https://llm.api.cloud.yandex.net:443/foundationModels/v1/textClassification.

    В ответе сервис вернет результаты классификации с определенными значениями вероятности (confidence) отнесения текста запроса к каждому из классов:

    Классификатор Zero-shot
    {
  "predictions": [
    {
      "label": "культура",
      "confidence": 2.2111835562554916e-7
    },
    {
      "label": "технологии",
      "confidence": 0.0003487042267806828
    },
    {
      "label": "спорт",
      "confidence": 0.9996510744094849
    }
  ],
  "modelVersion": "07.03.2024"
}
    Классификатор Few-shot
    {
  "predictions": [
    {
      "label": "перевод",
      "confidence": 0.9357050657272339
    },
    {
      "label": "будильник",
      "confidence": 0.00061939493753016
    },
    {
      "label": "погода",
      "confidence": 0.06367553025484085
    }
  ],
  "modelVersion": "07.03.2024"
}

Сумма значений полей вероятности (confidence) для всех классов всегда равна 1.

См. также

Предыдущая
Удалить инстанс
Следующая
Использовать дообученные классификаторы