Облачные платформы, как правило, выглядят одинаково пугающе: открываешь консоль, а там десятки сервисов, виртуальные сети, Kubernetes, базы данных, IAM, какие-то шлюзы… Вообще непонятно, что там делать, — прямо как при первом заходе в «Битрикс».

Мне по долгу службы выпала возможность поработать через MWS Cloud Platform, и я решил изучить ее как нормальный человек (а не от корки до корки по документации): поставить конкретную задачу и пройти весь путь самому. Сегодня миссия простая: взять готовую LLM в облаке, развернуть ее и начать отправлять ей реальные запросы со своего компьютера.

Если вам нужна LLM как часть своего инструмента, а не как очередной чат-бот, приложение, рабочий скрипт или AI-агент, ее нужно где-то запускать и как-то подключать. GPT Model Hub как раз позволяет взять готовую модель и получить к ней API, не разворачивая всю инфраструктуру самостоятельно.

Поэтому в этом обзоре пройдем путь от первого входа в аккаунт до рабочего Qwen: подключим биллинг, создадим деплоймент, получим API-ключ и заведем модель в VS Code. Этим материалом я запускаю цикл обзоров на большой продукт MWS Cloud Platform.

Поехали!

Чтобы понимать, с чем мы имеем дело, опишу, что такое MWS Cloud Platform. Это публичное облако МТС: вместо того чтобы самостоятельно покупать серверы, поднимать базы данных, настраивать Kubernetes, хранилища или инфраструктуру для нейросетей, нужные ресурсы там можно развернуть внутри одной платформы и платить за их фактическое использование.

Под капотом здесь стандартный набор для крупного облака: виртуальные машины и сети, объектное хранилище, контейнеры, управляемые базы данных, инструменты безопасности и отдельная AI-платформа. То есть на MWS можно и собрать инфраструктуру приложения почти с нуля, и взять один конкретный сервис, например готовую LLM через GPT Model Hub.

Последний вариант сейчас мне интересен больше всего. Модели в GPT Model Hub уже развернуты на стороне MWS Cloud Platform — самостоятельно искать GPU, поднимать inference-сервер и обслуживать модель не требуется. Создаете деплоймент, получаете OpenAI-совместимый API и подключаете его к своему приложению или клиенту.

С места в карьер.

Регистрация в системе очень простая и начинается с главной страницы MWS Cloud Platform: вам по классике нужна почта и номер телефона (туда прилетает код подтверждения).

Сразу после регистрации у вас откроется основной дашборд с кучей всего.

В главном меню сервисы можно условно разбить на несколько больших групп. 

• Инфраструктура и сеть: виртуальные машины, диски, сети, балансировка, CDN и Object Storage.

• Контейнеры: Managed Kubernetes и реестр Docker-образов.

• Платформа данных: управляемые PostgreSQL, ClickHouse и Kafka.

• Безопасность: IAM, Secret Manager, управление сертификатами и ключами, аудитные логи.

• Наконец, AI-платформа: GPT Model Hub, через который можно разворачивать и подключать генеративные модели.

Обзоры прочих разделов будут позже. Сегодня мы рассмотрим самый популярный и в то же время самый простой — GPT Model Hub. С его помощью можно взаимодействовать с разными нейромоделями через ваш интерфейс. Говоря иначе, выбираете любую модель (Qwen, GLM, DeepSeek ) и взаимодействуете через ее API как вам надо.

Но чтобы начать пользоваться хабом, его нужно настроить. По сложности установки все очень просто, если вы хоть чуть-чуть в каком-то поколении айтишник, и чуть сложнее — если совсем чайник. Объясню все на пальцах.

Настройка

Прежде, чем начать любое дело (а особенно нейросетевое), нужно понять, чем мы будем расплачиваться. В нашем случае — рублями. Чтобы сгладить эту неприятность, у MWS Cloud Platform есть стартовый бонус: при пополнении счета на 500 ₽ вы получите 3000 бонусных. Их можнно зато можно использовать внутри сервиса, что мы и будем с вами делать в этой линейке обзоров. Заодно и узнаем, каков расход трафика.

Чтобы платить, сперва нужно создать биллинг-аккаунт. Это делается в один клик.

Там указываете номер и данные карты и нужную сумму — в нашем случае заветную пятихатку.

Когда оплата налажена, пора выбирать GPT Model Hub. Когда оплата налажена, выбирайте "GPT Model Hub", добаляйте участников в проект и нажимайте кнопку "Создать первый ресурс”.

Далее вас ждет красивая кнопка «Активировать», жмем ее тоже. Там, кстати, есть и онбординг, и хороший обзор с дотошным объяснением опций.

В качестве модели я выбрал Qwen третьего поколения — если дебютировать, то сразу с тяжелой артиллерии. Но выбор очень большой: здесь в списке я даже обнаружил модели, о которых ни разу не слышал, и это с моим-то богатым нейроопытом.

Очень важно использовать название, данное в списке, ровно как оно есть — это будет нужно для подключения шлюза API.

Здесь нас ожидает такое окошко с инструкцией по настройке API. Вообще, по документации способов несколько, я выбрал наиболее удобный для себя.

Для работы нам понадобится еще и сервисный аккаунт (его настройки можно оставить по умолчанию, но рекомендую следовать принципу минимальных привилегий). Данные в полях уже подставлены, мой совет — сделать только описание, чтобы потом не запутаться, если у вас будет несколько таких аккаунтов.

После этого остается сгенерировать API-ключ в разделе «Ключи доступа». Под оверлеем кнопки «Создать» его и выбираем. 

Важно: ключ можно сохранить только один раз, далее вы не сможете снова на него посмотреть. Если его нужно сохранить, MWS Cloud Platform любезно предоставляет Secret Manager прямо внутри консоли, где может храниться вся конфиденциальная инфа. Стоит недорого.

• Хранение одной версии секрета — 0,0246 ₽ в час (или около 17.71 рубля в месяц);

• получение секрета — 0,036 ₽ за 100 успешных запросов.

Итак, у нас все настроено, осталось начать работу с самой моделью. Путей много, но я выбрал наиболее привычный — через VS Code, с помощью плагина Cline.

Нужно залогиниться через API и вот такой конфигурацией совершить подключение:

API Provider:
OpenAI Compatible

Base URL:
https://gpt.mwsapis.ru/projects/ВАШ_ПРОЕКТ/openai/v1

API Key:
Ваш API-ключ MWS

Model ID:
qwen3-6-35b-a3b

И вуаля, у нас все работает, счетчик биллинга пошел!

Поздравляю, вы все настроили! А теперь покрутим модельку.

Тест

Раз перед нами голая LLM-ка, значит, логично будет повайбкодить.

Попробуем сделать что-то простенькое: например, обычное приложение со считалкой символов/слов через такой промпт и одну папку проекта на рабочем столе:

Процесс кодинга занял примерно 15 секунд, открывается сервис через index.html. Но этого, очевидно, мало: считать слова умеет и элементарный Google Docs. Поэтому я пошел глубже:

Времени понадобилось больше, около минуты, еще три клика на save.

Получился куда более широкий функционал:

Как понимаете, аналитику можно раскатать на что угодно, как позволит ваша фантазия и задача. Здесь уже нет зависимости от платформы.

Ну и чтобы все было красиво, я прикрутил UI лаконичной просьбой: «Сделай футуристический дизайн».

А теперь посмотрим токеномику и сверим, сколько денег мы потратили на всю работу.

Из наших трех тысяч рублей ушло 44, половина из которых — горе-дизайн. Причем все, что было из нашего вайбкодинга (подзаголовок «Тест»), обошлось ровно 3 рубля.

Стоит учитывать, что за кадром осталось несколько неучтенных технических промптов, но их объем входных-выходных токенов был незначительным.

Ну а я совсем скоро вернусь к вам со следующим обзором. До встречи!