文档首页/ AI开发平台ModelArts/ ModelArts Studio（MaaS）用户指南/ ModelArts Studio（MaaS）在线推理服务/ ModelArts Studio（MaaS） API调用规范/ 对话Chat/POST

更新时间：2025-09-17 GMT+08:00

查看PDF

对话Chat/POST

MaaS平台提供功能丰富的在线推理能力，既有免部署可直接调用的预置模型服务，同时也支持用户选取模型在专属实例上进行自部署。本文介绍对话Chat相关API的调用规范。

接口信息

表1 接口信息
名称	说明	取值
API地址	调用模型服务的API地址。	https://api.modelarts-maas.com/v1/chat/completions
model参数	model参数调用名称。	在“调用说明”页面获取。更多信息，请参见调用ModelArts Studio（MaaS）部署的模型服务。

预置商用服务支持模型列表

模型系列	模型名称	支持地域	model参数值	序列长度	Function Call功能
DeepSeek	DeepSeek-V3-64K	西南-贵阳一	DeepSeek-V3	65536	支持
	DeepSeek-R1-64K	西南-贵阳一	DeepSeek-R1	65536	支持
	DeepSeek-R1-64K-0528	西南-贵阳一	deepseek-r1-250528	65536	支持
	DeepSeek-V3.1	西南-贵阳一	deepseek-v3.1	131072	支持
Qwen2.5	Qwen2.5-VL-7B-32K	西南-贵阳一	qwen2.5-vl-7b	32768	不支持
Qwen2.5	Qwen2.5-VL-72B-32K	西南-贵阳一	qwen2.5-vl-72b	32768	不支持
Qwen3	Qwen3-32B-32K	西南-贵阳一	qwen3-32b	32768	不支持
	Qwen3-235B-A22B-32K	西南-贵阳一	qwen3-235b-a22b	32768	不支持
	Qwen3-30B-A3B	西南-贵阳一	qwen3-30b-a3b	131072	不支持

思维链说明

思维链（Chain of Thought，简称CoT）是指模型在解决复杂问题时，能够生成一系列中间推理步骤的能力。这种能力使得模型不仅能够给出最终答案，还能展示出其推理过程，从而提高模型的可解释性和透明度。

仅DeepSeek-V3.1和Qwen3-30B-A3B模型支持开启或关闭思维链。DeepSeek-V3.1模型的约束限制如下：

Function Call功能和思维链不兼容，不建议同时使用。
开启思维链不支持前缀续写。
不截断思维链只截断content能力不生效。
开启思维链后guided_choice能力不可用，reasoning_content和guided_decoding不兼容。

创建聊天对话请求

鉴权说明
 MaaS推理服务支持使用API Key鉴权，鉴权头采用如下格式：
```
'Authorization': 'Bearer 该服务所在Region的ApiKey'
```

请求参数和响应参数说明如下：

表2 请求参数说明
参数名称	是否必选	默认值	参数类型	说明
model	是	无	Str	调用时的模型名称。取值请参见上方表1。
messages	是	-	Array	请求输入的问题，其中role为角色，content为对话内容。示例如下： "messages": [ {"role": "system","content": "你是一个乐于助人的AI助手"}, {"role": "user","content": "9.11和9.8哪个大？"} ] 更多信息，请参见表3。
stream_options	否	无	Object	该参数用于配置在流式输出时是否展示使用的Token数目。只有当“stream”为“True”时，该参数才会激活生效。如果您需要统计流式输出模式下的Token数目，可将该参数配置为stream_options={"include_usage":True}。更多信息，请参见表4。
max_tokens	否	无	Int	当前任务允许的生成Token数上限，包括模型输出的Tokens和深度思考的Reasoing Tokens。
top_k	否	-1	Int	在生成过程中，候选集大小限定了采样的范围。以取值50为例，这意味着每一步仅会考虑得分排在前50位的Token构成候选集进行随机抽样。增大此值将提高输出的随机性，减小此值会增强输出的确定性。
top_p	否	1.0	Float	模型核采样（nucleus sampling）。仅保留累计概率刚好超过阈值p的那一部分词，其余全部屏蔽，最后在这份候选词里重新归一化并采样。设置值越小，候选词越少，模型输出越集中和保守；设置值越大，候选词越多，模型输出越开放和多样。通常情况只建议调整temperature或top_p，不要同时修改两个参数。取值范围：0~1，设置为“1”表示考虑所有Tokens。
temperature	否	1.0	Float	模型采样温度。设置的值越高，模型输出越随机；设置的值越低，输出越确定。通常情况只建议调整temperature或top_p，不要同时修改两个参数。 temperature取值建议：DeepSeek-R1、DeepSeek-V3、Qwen3系列建议值为0.6，Qwen2.5-VL系列建议值为0.2。
stop	否	None	None/Str/List	用于停止生成的字符串列表。返回的输出将不包含停止字符串。例如，设置为["你"，"好"]时，在生成文本过程中，遇到“你”或者“好”将停止文本生成。
stream	否	False	Bool	是否开启流式推理。默认为“False”，表示不开启流式推理。
n	否	1	Int	为每个输入的消息生成的响应数。不使用beam_search场景下，n取值建议为1≤n≤10。如果n>1时，必须确保不使用greedy_sample采样，即top_k > 1，temperature > 0。使用beam_search场景下，n取值建议为1<n≤10。如果n=1，会导致推理请求失败。说明： n建议取值不超过10，n值过大会导致性能劣化，显存不足时，推理请求会失败。 DeepSeek-R1和DeepSeek-V3暂不支持设置n的值大于1。
use_beam_search	否	False	Bool	是否使用beam_search替换采样。使用该参数时，如下参数必须按要求设置。 n：大于1 top_p：1.0 top_k：-1 temperature：0.0 说明： DeepSeek-R1和DeepSeek-V3暂不支持设置n的值大于1。
presence_penalty	否	0.0	Float	表示会根据当前生成的文本中新出现的词语进行奖惩。取值范围[-2.0,2.0]。
frequency_penalty	否	0.0	Float	会根据当前生成的文本中各个词语的出现频率进行奖惩。取值范围[-2.0,2.0]。
length_penalty	否	1.0	Float	表示在beam search过程中，对于较长的序列，模型会给予较大的惩罚。使用该参数时，必须添加如下三个参数，且必须按要求设置。 top_k：-1 use_beam_search：true best_of：大于1 说明： DeepSeek-R1和DeepSeek-V3暂不支持设置length_penalty。
chat_template_kwargs.thinking	否	false	Bool	默认关闭思维链。仅支持DeepSeek-V3.1模型，约束限制请参见思维链说明。开启思维链示例如下： { "model": "deepseek-v3.1", "messages": [{ "role": "system", "content": "You are a helpful assistant." }, { "role": "user", "content": "你好" }], "chat_template_kwargs": { "thinking": true } }
chat_template_kwargs.enable_thinking	否	true	Bool	默认开启思维链。仅支持Qwen3-30B-A3B模型。关闭思维链示例如下： { "model": "qwen3-30b-a3b", "messages": [{ "role": "system", "content": "You are a helpful assistant." }, { "role": "user", "content": "你好" }], "chat_template_kwargs": { "enable_thinking": false } }

表3 请求参数messages说明
参数名称	是否必选	默认值	参数类型	说明
role	是	无	Str	不同的role对应不同的消息类型。 system：开发人员输入的指令，例如模型应遵循的答复格式、扮演的角色等。 user：用户输入的消息，包括提示词和上下文信息。 assistant：模型生成的回复内容。 tool：模型调用工具返回的信息。
content	是	无	Str	当role为system时：给AI模型设定的人设。 {"role": "system","content": "你是一个乐于助人的AI助手"} 当role为user时：用户输入的问题。 {"role": "user","content": "9.11和9.8哪个大？"} 当role为assistant时：AI模型输出的答复内容。 {"role": "assistant","content": "9.11大于9.8"} 当role为tool时：AI模型调用的工具响应信息。 {"role": "tool", "content": "上海今天天气晴，气温10度"}

表4 请求参数stream_options说明
参数名称	是否必选	默认值	参数类型	说明
include_usage	否	true	Bool	流式响应是否输出Token用量信息： true：是，在每一个chunk会输出一个usage字段，显示累计消耗的Token统计信息。 false：否，不显示消耗的Token统计信息。

表5 响应参数说明
参数名称	类型	说明
id	Str	该次请求的唯一标识。
object	Str	类型-chat.completion：多轮对话返回。
created	Int	时间戳。
model	Str	调用时的模型名称。
choices	Array	模型答复的内容，包含index和message两个参数，message中： content为模型的正式答复内容。 reasoning content为模型的深度思考内容（仅限DeepSeek系列模型）。
usage	Object	请求消耗的Token统计信息：非流式请求默认返回。流式请求默认返回，在每一个chunk会输出一个usage字段，显示消耗的Token统计信息。参数说明： prompt tokens：输入Token数量。 completion tokens: 输出Token数量。 total tokens：总Token数量。
prompt_logprobs	Float	对数概率。用户可以借此衡量模型对其输出内容的置信度，或者探索模型给出的其他选项。

DeepSeek-V3文本生成（非流式）请求示例

Rest API请求示例：

Python请求示例：

import requests
import json

if __name__ == '__main__':
    url = "https://api.modelarts-maas.com/v1/chat/completions" # API地址
    api_key = "MAAS_API_KEY"  # 把MAAS_API_KEY替换成已获取的API Key 

    # Send request.
    headers = {
        'Content-Type': 'application/json',
        'Authorization': f'Bearer {api_key}' 
    }
    data = {
        "model":"deepseek-v3", # 模型名称
        "messages": [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "你好"}
        ]
    }
    response = requests.post(url, headers=headers, data=json.dumps(data), verify=False)

    # Print result.
    print(response.status_code)
    print(response.text)

cURL请求示例

curl -X POST "https://api.modelarts-maas.com/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $MAAS_API_KEY" \
  -d '{ 
    "model": "deepseek-v3",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "你好"}
    ]
}'

OpenAI SDK请求示例：

from openai import OpenAI

base_url = "https://api.modelarts-maas.com/v1" # API地址
api_key = "MAAS_API_KEY" # 把MAAS_API_KEY替换成已获取的API Key

client = OpenAI(api_key=api_key, base_url=base_url)

response = client.chat.completions.create(
    model="deepseek-v3", # 模型名称
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "你好"},
    ]
)

print(response.choices[0].message.content)

DeepSeek-V3文本生成（流式）请求示例

Python请求示例：

from openai import OpenAI

base_url = "https://api.modelarts-maas.com/v1" # API地址
api_key = "MAAS_API_KEY" # 把MAAS_API_KEY替换成已获取的API Key

client = OpenAI(api_key=api_key, base_url=base_url)

response = client.chat.completions.create(
    model="deepseek-v3", # 模型名称
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "你好"},
    ],
    stream = True
)

for chunk in response:
    if not chunk.choices:
        continue

    print(chunk.choices[0].delta.content, end="")

cURL请求示例：

curl -X POST "https://api.modelarts-maas.com/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $MAAS_API_KEY" \
  -d '{ 
    "model": "deepseek-v3",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "你好"}
    ],
    "stream": true,
    "stream_options": { "include_usage": true }
}'

DeepSeek-V3.1文本生成（非流式）请求示例

Rest API请求示例：

Python请求示例：

import requests
import json

if __name__ == '__main__':
    url = "https://api.modelarts-maas.com/v1/chat/completions"  # API地址
    api_key = "MAAS_API_KEY"  # 把MAAS_API_KEY替换成已获取的API Key

    # Send request.
    headers = {
        'Content-Type': 'application/json',
        'Authorization': f'Bearer {api_key}'
    }
    data = {
        "model": "deepseek-v3.1",  # model参数
        "messages": [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "你好"}
        ],
        "chat_template_kwargs": {
            "thinking": True  # 是否开启深度思考模式，默认关闭
        }
    }
    response = requests.post(url, headers=headers, data=json.dumps(data), verify=False)

    # Print result.
    print(response.status_code)
    print(response.text)

cURL请求示例

curl -X POST "https://api.modelarts-maas.com/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $MAAS_API_KEY" \
  -d '{
    "model": "deepseek-v3.1",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "你好"}
    ],
     "chat_template_kwargs": {
       "thinking": true
     }
  }'

OpenAI SDK请求示例：

from openai import OpenAI

base_url = "https://api.modelarts-maas.com/v1"  # API地址
api_key = "MAAS_API_KEY"  # 把MAAS_API_KEY替换成已获取的API Key

client = OpenAI(api_key=api_key, base_url=base_url)

response = client.chat.completions.create(
    model="deepseek-v3.1",  # model参数
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "你好"},
    ],
    extra_body={
        "chat_template_kwargs": {
            "thinking": True  # 是否开启深度思考模式，默认关闭
        }
    }
)

print(response.choices[0].message.content)

Qwen3-30B-A3B文本生成（非流式）请求示例

Rest API请求示例：

Python请求示例：

import requests
import json

if __name__ == '__main__':
    url = "https://api.modelarts-maas.com/v1/chat/completions"  # API地址
    api_key = "MAAS_API_KEY"  # 把MAAS_API_KEY替换成已获取的API Key

    # Send request.
    headers = {
        'Content-Type': 'application/json',
        'Authorization': f'Bearer {api_key}'
    }
    data = {
        "model": "qwen3-30b-a3b",  # model参数
        "messages": [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "你好"}
        ],
        "chat_template_kwargs": {
            "enable_thinking": False # 是否开启深度思考模式，默认开启
        }
    }
    response = requests.post(url, headers=headers, data=json.dumps(data), verify=False)

    # Print result.
    print(response.status_code)
    print(response.text)

cURL请求示例：

curl -X POST "https://api.modelarts-maas.com/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $MAAS_API_KEY" \
  -d '{
    "model": "qwen3-30b-a3b",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "你好"}
    ],
     "chat_template_kwargs": {
       "enable_thinking": false
     }
  }'

OpenAI SDK请求示例：

from openai import OpenAI

base_url = "https://api.modelarts-maas.com/v1"  # API地址
api_key = "MAAS_API_KEY"  # 把MAAS_API_KEY替换成已获取的API Key

client = OpenAI(api_key=api_key, base_url=base_url)

response = client.chat.completions.create(
    model="qwen3-30b-a3b",  # model参数
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "你好"},
    ],
    extra_body={
        "chat_template_kwargs": {
            "enable_thinking": False  # 是否开启深度思考模式，默认开启
        }
    }
)

print(response.choices[0].message.content)

Qwen2.5-VL-7B图像理解（非流式）请求示例

Rest API请求示例：

Python请求示例：

import requests
import json
import base64

#  图片转Base64编码格式
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

base64_image = encode_image("test.png")

if __name__ == '__main__':
    url = "https://api.modelarts-maas.com/v1/chat/completions" # API地址
    api_key = "MAAS_API_KEY"  # 把MAAS_API_KEY替换成已获取的API Key 

    # Send request.
    headers = {
        'Content-Type': 'application/json',
        'Authorization': f'Bearer {api_key}' 
    }
    data = {
        "model": "qwen2.5-vl-7b", # model参数
        "messages": [
            {
              "role": "user",
              "content": [
                {
                  "type": "text",
                  "text": "描述下图片里的内容"
                },
                {
                  "type": "image_url",
                  # 需要注意，Base64，图像格式（即image/{format}）需要与支持的图片列表中的Content Type保持一致。"f"是字符串格式化的方法。
                  # PNG图像：  f"data:image/png;base64,{base64_image}"
                  # JPEG图像： f"data:image/jpeg;base64,{base64_image}"
                  # WEBP图像： f"data:image/webp;base64,{base64_image}"
                  "image_url": {
                    "url": f"data:image/png;base64,{base64_image}",
                  }
                }
              ]
            }
        ]
    }
    response = requests.post(url, headers=headers, data=json.dumps(data), verify=False)

    # Print result.
    print(response.status_code)
    print(response.text)

cURL请求示例

curl -X POST "https://api.modelarts-maas.com/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $MAAS_API_KEY" \
  -d '{ 
    "model": "qwen2.5-vl-72b",
    "messages": [
      {
        "role": "user",
        "content": [
          {"type": "text", "text": "描述下图片里的内容"},
          {"type": "image_url", "image_url": {"url": "data:image/png;base64,$BASE64_IMAGE"}}
        ]
      }
    ]
  }'

OpenAI SDK请求示例：

import base64
from openai import OpenAI

base_url = "https://api.modelarts-maas.com/v1" # API地址
api_key = "MAAS_API_KEY" # 把MAAS_API_KEY替换成已获取的API Key

#  图片转Base64编码格式
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

base64_image = encode_image("test.png")

client = OpenAI(api_key=api_key, base_url=base_url)

response = client.chat.completions.create(
    model = "qwen2.5-vl-72b", # model参数
    messages = [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "描述下图片里的内容"},
                {
                    "type": "image_url",
                    # 需要注意，Base64，图像格式（即image/{format}）需要与支持的图片列表中的Content Type保持一致。"f"是字符串格式化的方法。
                    # PNG图像：  f"data:image/png;base64,{base64_image}"
                    # JPEG图像： f"data:image/jpeg;base64,{base64_image}"
                    # WEBP图像： f"data:image/webp;base64,{base64_image}"
                    "image_url": {
                        "url": f"data:image/png;base64,{base64_image}",
                    }
                }
            ]
        }
    ]
)

print(response.choices[0].message.content)

响应示例

{
    "id":"chat-71406e38b0d248c9b284709f8435****",
    "object":"chat.completion",
    "created":1740809549,
    "model":"DeepSeek-R1",
    "choices":[
        {
            "index":0,
            "message":{
                "role":"assistant",
                "content":"\n\n比较两个小数9.11和9.8的大小：\n\n1. **比较整数部分**：两者的整数部分都是9，相等。\n2. **比较十分位**： \n - 9.11的十分位是 **1** \n - 9.8可以看作是9.80，其十分位是 **8** \n - **8 > 1**，因此在这一位上已经能分出大小。\n\n**结论**： \n**9.8 > 9.11** \n（小数值比较时需对齐位数，直接比较对应数位的数字即可）",
                "reasoning_content":"嗯，我现在需要比较9.11和9.8哪个大。首先，我得回忆一下小数比较的方法。记得比较小数的时候，应该先比较整数部分，如果整数部分相同，再依次比较小数部分的十分位、百分位，直到分出大小。\n\n这两个数的整数部分都是9，所以整数部分相同。接下来比较十分位。9.11的十分位是1，而9.8的十分位是8。这里可能会有问题，因为有时候可能会有同学直接把9.8当作9.80来看，或者考虑十分位上的数字大小对比。\n\n现在比较的话，9.8的十分位是8，而9.11的十分位是1，明显8比1大，所以这时候是不是应该认为9.8比9.11大呢？\n\n不过要注意到，有的同学可能误以为小数位数越多数值越大，但实际并非如此，比如0.9比0.8999要大，所以位数多不一定数值大。\n\n另外，可以把两个数的小数部分统一成相同的位数来比较。例如，9.8可以写成9.80，这样十分位是8，百分位是0，而9.11的十分位是1，百分位是1。那么在十分位的时候，8比1大，所以9.80（即9.8）大于9.11。\n\n因此，最终结论是9.8比9.11大。\n",
                "tool_calls":[]
                },
                "logprobs":null,
                "finish_reason":"stop",
                "stop_reason":null        
        }
    ],
    "usage":{
        "prompt_tokens":21,
        "total_tokens":437,
        "completion_tokens":416
        },
    "prompt_logprobs":null
}

父主题： ModelArts Studio（MaaS） API调用规范

上一篇：ModelArts Studio（MaaS） API调用规范

下一篇：图片生成

意见反馈

文档内容是否对您有帮助？

有帮助没帮助

提供反馈

提交成功！非常感谢您的反馈，我们会继续努力做到更好！您可在我的云声建议查看反馈及问题处理状态。

系统繁忙，请稍后重试

在使用文档中是否遇到以下问题

内容与产品页面不一致

内容不易理解

缺失示例代码

步骤不可操作

搜不到想要的内容

缺少最佳实践

意见反馈（选填）

0/500

请至少选择一项反馈信息并填写问题反馈

字符长度不能超过500

直接提交取消

如您有其它疑问，您也可以通过华为云社区问答频道来与我们联系探讨

盘古Doer提问云社区提问

对话Chat/POST

接口信息

预置商用服务支持模型列表

思维链说明

创建聊天对话请求

DeepSeek-V3文本生成（非流式）请求示例

DeepSeek-V3文本生成（流式）请求示例

DeepSeek-V3.1文本生成（非流式）请求示例

Qwen3-30B-A3B文本生成（非流式）请求示例

Qwen2.5-VL-7B图像理解（非流式）请求示例

响应示例

相关文档

意见反馈

文档内容是否对您有帮助？