ข้อผิดพลาด timeout: ทำอย่างไรเมื่อเรียก llama-3.3-70b-instruct ไม่สำเร็จ

การหมดเวลาหมายความว่าไคลเอนต์เลิกรอก่อนที่คำตอบจะมา คำขอแบบสตรีมกับ LLM เกิดบ่อยที่สุด เพราะโมเดลต้องคิดก่อนโทเค็นแรก และช่วงคิดนั้นไม่ส่งไบต์ใดเลย

timeout ไม่ใช่ HTTP status code แต่เป็นขีดจำกัดการรอฝั่งไคลเอนต์ โดยปกติคำขอไปถึง gateway และถูกส่งต่อไป upstream แล้ว แต่โมเดลไม่สร้างผลลัพธ์ภายในเวลาที่คุณกำหนด สาเหตุที่พบบ่อยที่สุดสามอย่างคือ context ยาว, output ยาว และการเรียกแบบไม่ใช้ streaming

llama-3.3-70b-instruct ให้บริการโดย Meta ทุกอย่างในหน้านี้ — สาเหตุ วิธีแก้ และข้อมูลที่วัดจริง — รวบรวมจากพฤติกรรมการทำงานจริงของโมเดลนี้บนชั้น gateway

ที่เกตเวย์นี้ สาเหตุที่พบบ่อยที่สุดคือ ตั้งเวลาหมดเวลาฝั่งไคลเอนต์สั้นเกินไป ขั้นตอนแรกที่แนะนำคือ เพิ่มเวลาหมดเวลาฝั่งไคลเอนต์เป็น 300 วินาทีขึ้นไป

สาเหตุที่พบบ่อย

  • ตั้งเวลาหมดเวลาฝั่งไคลเอนต์สั้นเกินไป
  • พรอมป์ต์หรือบริบทยาวทำให้โทเค็นแรกมาช้า
  • โมเดลกำลังทำงานให้เหตุผลยาว
  • เครือข่ายกระตุก

วิธีแก้ไข

  • เพิ่มเวลาหมดเวลาฝั่งไคลเอนต์เป็น 300 วินาทีขึ้นไป
  • เปิดสตรีมเพื่อไม่ต้องรอคำตอบทั้งหมด
  • ย่อบริบทหรือใช้โมเดลที่เร็วกว่า
  • ลด max_tokens

ตัวอย่างการลองใหม่แบบ Exponential Backoff

โค้ดด้านล่างจะลองใหม่เมื่อ llama-3.3-70b-instruct ตอบกลับ timeout สูงสุด 5 ครั้ง โดยเพิ่มเวลารอและใส่ jitter แบบสุ่ม เพื่อไม่ให้คำขอจำนวนมาก retry พร้อมกัน อ่าน base URL และ API key จาก environment variables อย่าเขียนลงในโค้ดตรงๆ

import os, time, random
import requests

BASE  = os.getenv("OPENAI_BASE_URL")   # e.g. https://<your-gateway>/v1
KEY   = os.getenv("OPENAI_API_KEY")
MODEL = 'llama-3.3-70b-instruct'


def chat(messages, retries=5):
    """Retry with exponential backoff + jitter."""
    for i in range(retries):
        try:
            r = requests.post(
                BASE + "/chat/completions",
                headers={"Authorization": "Bearer " + KEY},
                json={"model": MODEL, "messages": messages, "stream": True},
                timeout=60,
            )
            if r.status_code == 429 or r.status_code >= 500:
                time.sleep(min(2 ** i + random.uniform(0, 1), 30))
                continue
            r.raise_for_status()
            return r.json()
        except requests.exceptions.Timeout:
            time.sleep(min(2 ** i + random.uniform(0, 1), 30))
    raise RuntimeError("gave up after " + str(retries) + " retries")


print(chat([{"role": "user", "content": "hello"}]))

ข้อมูลสำคัญของโมเดลนี้

ปลายทาง APIhttps://api.airai.cc/v1
เข้ากันได้กับ OpenAIOpenAI-compatible
ผู้ให้บริการMeta
บริบท128K
ความสามารถTools, Files, Open Weights
รูปแบบ APIopenai, openai-response, openai-response-compact, anthropic, gemini, openai-alpha-search
สูตรคิดเงินp * 0 + c * 0

คำถามที่พบบ่อย

การ retry ควรใส่ jitter แบบสุ่มหรือไม่?

ปกติไม่ต้องแก้โค้ดธุรกิจ แค่ปรับจังหวะการเรียกก็พอการลองใหม่คือก้าวแรกที่ได้ผลที่สุดเมื่อคิดค่าบริการแบบ p * 0 + c * 0 คำขอที่ล้มเหลวจะไม่ถูกนำไปรวมในปริมาณการใช้งานตั้งขีดจำกัดการลองใหม่ไว้ที่ 3–5 ครั้ง และเพิ่มความสุ่มเล็กน้อยใช้การถอยแบบเอ็กซ์โปเนนเชียลกับข้อผิดพลาดที่ลองใหม่ได้ และคืนข้อผิดพลาดทันทีสำหรับส่วนที่เหลือ

เมื่อ timeout เกิดบ่อย ควรบันทึกข้อมูลอะไร?

เก็บรหัสคำขอและเนื้อหาการตอบกลับดิบไว้ มิฉะนั้นจะตามหาสาเหตุไม่ได้โมเดลนี้ให้บริการโดย Meta สถานะต้นทางจึงเป็นไปตามประกาศของผู้ให้บริการบันทึกรหัสคำขอทุกครั้งที่ล้มเหลว มีประโยชน์กว่ารหัสสถานะ

เมื่อ llama-3.3-70b-instruct ตอบกลับ timeout จะถูกคิดเงินหรือไม่?

คิดค่าบริการเฉพาะส่วนที่สร้างเสร็จแล้ว ส่วนที่ล้มเหลวไม่คิดเมื่อคิดเงินแบบ p * 0 + c * 0 ต้นทุนของ output ยาวมาจาก output token เป็นหลักเมื่อประเมินต้นทุนจาก p * 0 + c * 0 ให้นับงบการลองใหม่เข้าไปด้วย

การใช้ key เดียวกันหลายบริการทำให้เกิด timeout ได้ง่ายขึ้นหรือไม่?

ส่วนใหญ่เป็นเรื่องโควต้า ไม่ใช่โมเดลเสียการเพิ่มเพดานแพ็กเกจหรือลดความถี่ในการเรียกก็ช่วยได้ทั้งคู่การคิดเงินเป็นแบบ p * 0 + c * 0 ไม่มีผลลัพธ์ก็ไม่คิดเงินเมื่อคิดเงินแบบ p * 0 + c * 0 ต้นทุนของ output ยาวมาจาก output token เป็นหลักตรวจสอบยอดคงเหลือและขีดจำกัดอัตราในคอนโซลก่อน แล้วค่อยดูโค้ด

ข้อผิดพลาดอื่นของโมเดลนี้

โมเดลอื่นที่เจอข้อผิดพลาดเดียวกัน

กลับไปหน้าโมเดล

อัปเดตข้อมูล: 2026-10-10 18:30

ฝ่ายสนับสนุนด้านเทคนิคบริการลูกค้าออนไลน์
กลับไปด้านบน