在 ML 服务中，系统预置了公共模型，同时也支持创建自定义模型。本文介绍创建自定义模型的操作步骤。

前提条件

• 已启用 ML 服务且为运行状态。如何启用，请参见创建 ML 服务。
• 创建自定义模型时，需要准备好模型文件。您可以提前将模型文件存放到 TOS Bucket，也可以在创建自定义模型时直接上传本地的模型文件。

  注意

  从 TOS Bucket 中读取模型文件，需要当前账号拥有 Bucket 的读权限，即至少拥有GetObject权限；上传本地模型文件会被存储到指定的 TOS Bucket，需要当前账号拥有 Bucket 的写权限，即至少拥有PutObject权限。
  如何为 IAM 用户授予指定 Bucket 的读写权限，请参见授予 IAM 用户指定桶上传和下载对象的权限。

创建模型

1. 登录云搜索服务控制台。

2. 在顶部导航栏，选择目标项目和地域。

3. 在左侧导航栏选择 ML 服务，查找并单击目标服务名称。

4. 在左侧导航栏选择模型管理 > 我的模型，然后单击创建模型。

5. 在创建模型对话框，设置模型相关参数，然后单击确定。
   

   参数	说明
   模型名称	自定义设置模型名称。 首字符仅支持字母或下划线（_）。 可包含字母、数字、特殊字符仅支持英文句号（.）、下划线（_）、短横线（-）、反斜杠(/)，长度为 1~128 个字符。 最多只能包含一个反斜杠(/)字符。
   模型类型	请根据实际情况选择模型类型。 Text Embedding：文本嵌入，将文本转化为计算机可以理解的数字向量的方法，这些向量能捕捉文本的语义信息。 Rerank：重排序，是一种排列搜索结果的技术，依据相关性进行排列，将最相关的结果放在最前面以便用户更快找到他们需要的信息。 RAG：把 OpenSearch 的混合检索与大模型生成结果相结合，得到更具语义连贯性和信息准确性的结果。 Image Embedding：是将图像转换为低维的向量表示，以便于在各种机器学习任务中进行处理、分析和比较。 Sparse Embedding：稀疏嵌入模型是一种处理高维稀疏数据的技术，通过将稀疏特征映射到低维空间的方式来节省存储空间、提高计算效率。 说明 目前支持 Sentence Transformer 和 Transformer 模型框架。
   对象存储桶	从下拉列表中选择一个用于存放模型文件的对象存储桶。 如果没有可用的 TOS 存储桶，请单击创建存储桶，前往对象存储控制台进行创建。
   模型文件	选择模型文件的配置方式。 对象存储文件：此时需要选择对象存储桶中的目标文件夹，表示中模型文件已提前保存到 Bucket。 上传本地文件：从本地选择模型文件或文件夹，然后上传到对象存储桶的目标文件夹。上传文件时，仅支持上传名称为model.zip的模型文件。 注意 如果当前账号没有对应 Bucket 的读权限（至少拥有GetObject权限），则无法获取到 Bucket 中的文件列表。 如果当前账号没有对应 Bucket 的写权限（至少拥有PutObject权限），则无法将模型文件存放到对象存储桶。 需要确保当前账号拥有 TOS Bucket 的读写权限。如何为 IAM 用户授予指定 Bucket 的读写权限，请参见授予 IAM 用户指定桶上传和下载对象的权限。
   对象存储文件夹	模型文件的存放位置，即从该文件夹读取模型文件，或者上传本地模型文件到该文件夹。
   描述	设置模型的描述语句。

后续步骤

模型创建后，您需要继续创建推理服务。创建推理服务时，需要与目标模型进行关联，并根据业务需求配置网络、资源、以及自定义参数等内容。

• 创建推理服务
• 启动推理服务