Phi Cookbook: Käytännön esimerkkejä Microsoftin Phi-malleilla

Phi on Microsoftin kehittämä sarja avoimen lähdekoodin tekoälymalleja.

Phi on tällä hetkellä tehokkain ja kustannustehokkain pieni kielimalli (SLM), jolla on erittäin hyvät suorituskykyvertailut monikielisyydessä, päättelyssä, tekstin/keskustelun generoinnissa, koodauksessa, kuvissa, äänissä ja muissa käyttötapauksissa.

Voit ottaa Phin käyttöön pilvessä tai reunalaitteissa, ja voit helposti rakentaa generatiivisia tekoälysovelluksia rajallisella laskentateholla.

Aloita käyttämällä näitä resursseja seuraavasti:

Forkkaa repositorio: Klikkaa
Kloonaa repositorio: git clone https://github.com/microsoft/PhiCookBook.git
Liity Microsoft AI Discord -yhteisöön ja tapaa asiantuntijoita ja muita kehittäjiä

🌐 Monikielinen tuki

Tuettu GitHub Actionin kautta (automaattinen & aina ajan tasalla)

Haluatko mieluummin kloonata paikallisesti?

Tämä repositorio sisältää yli 50 kielen käännökset, mikä lisää merkittävästi latauskoon määrää. Jos haluat kloonata ilman käännöksiä, käytä sparse checkoutia:

Bash / macOS / Linux:
git clone --filter=blob:none --sparse https://github.com/microsoft/PhiCookBook.git
cd PhiCookBook
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
CMD (Windows):
git clone --filter=blob:none --sparse https://github.com/microsoft/PhiCookBook.git
cd PhiCookBook
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
Saat näin kaiken tarvitsemasi kurssin suorittamiseen paljon nopeammalla latauksella.

Sisällysluettelo

Johdanto
Phi-päättely eri ympäristöissä
Phi-perheen päättely
Phin kvantisointi
Phi:n arviointi
RAG Azure AI Searchin kanssa
- Miten käyttää Phi-4-mini ja Phi-4-multimodal (RAG) Azure AI Searchin kanssa
Phi-sovelluskehityksen esimerkit
- Teksti- ja keskustelusovellukset
  - Phi-4-esimerkit
  - Phi-3 / 3.5 -esimerkit
- Azure AI Inference SDK:n koodipohjaiset näytteet
  - Phi-4-näytteet
    - [📓] Projektikoodin generointi käyttäen Phi-4-multimodaalia
  - Phi-3 / 3.5 näytteet
    - Rakenna oma Visual Studio Code GitHub Copilot Chat Microsoft Phi-3 -perheen kanssa
    - Luo oma Visual Studio Code Chat Copilot -agentti Phi-3.5:llä GitHub-mallien avulla
- Edistyneet päättelynäytteet
  - Phi-4-näytteet
- Demos
  - Phi-4-mini esittelyt hostattuna Hugging Face Spacesissa
  - Phi-4-multimodal esittelyt hostattuna Hugginge Face Spacesissa
- Näkökykynäytteet
  - Phi-4-näytteet
    - [📓] Käytä Phi-4-multimodaalia lukemaan kuvia ja generoimaan koodia
  - Phi-3 / 3.5 näytteet
- Päättely-Näkö Näytteet
  - Phi-4-Päättely-Näkö-15B
- Matematiikan näytteet
  - Phi-4-Mini-Flash-Päättely-Ohje Näytteet Matematiikan demo Phi-4-Mini-Flash-Päättely-Ohjeella
- Ääninäytteet
  - Phi-4-näytteet
- MOE-näytteet
  - Phi-3 / 3.5 näytteet
- Funktiokutsunäytteet
  - Phi-4-näytteet 🆕
- Monimodaalisen yhdistämisen näytteet
  - Phi-4-näytteet 🆕
    - [📓] Phi-4-multimodaalin käyttäminen teknologiatoimittajana
    - .NET-konsolisovellus, joka käyttää Phi-4-multimodaalia kuvien analysointiin
Phi-mallien hienosäätö
Käytännön laboratorio
- Edistyneiden mallien tutkiminen: LLM:t, SLM:t, paikallinen kehitys ja muuta
- NLP:n mahdollisuuksien avaaminen: Hienosäätö Microsoft Olivella
Akateemiset tutkimuspaperit ja julkaisut

Phi-mallien käyttö

Phi Microsoft Foundryssa

Voit oppia käyttämään Microsoft Phitä ja rakentamaan E2E-ratkaisuja eri laitteillasi. Kokeaksesi Phiä itse, aloita leikkimällä malleilla ja räätälöimällä Phi tilanteisiisi käyttämällä Microsoft Foundry Azure AI Model Catalogia. Lisätietoja löydät aloittamisesta Microsoft Foundryn kanssa.

Leikkikenttä Jokaisella mallilla on oma leikkikenttä mallin testaamiseen Azure AI Playground.

Phi GitHub-malleissa

Voit oppia käyttämään Microsoft Phitä ja rakentamaan E2E-ratkaisuja eri laitteillasi. Kokeaksesi Phiä itse, aloita leikkimällä mallilla ja räätälöimällä Phi tilanteisiisi käyttämällä GitHub Model Catalogia. Lisätietoja löydät aloittamisesta GitHub Model Catalogin kanssa.

Leikkikenttä Jokaisella mallilla on oma leikkikenttä mallin testaamiseen.

Phi Hugging Facessa

Mallin löydät myös Hugging Facesta

Leikkikenttä Hugging Chat -leikkikenttä

🎒 Muut kurssit

Tiimimme tuottaa myös muita kursseja! Tutustu:

LangChain

Azure / Edge / MCP / Agentit

Generatiivinen tekoäly -sarja

Ydinkoulutus

Copilot-sarja

Vastuullinen tekoäly

Microsoft on sitoutunut auttamaan asiakkaitamme käyttämään tekoälytuotteitamme vastuullisesti, jakamaan oppimaamme ja rakentamaan luottamukseen perustuvia kumppanuuksia työkaluilla, kuten Läpinäkyvyysmuistiot ja Vaikutusten arvioinnit. Monet näistä resursseista löytyvät osoitteesta https://aka.ms/RAI. Microsoftin lähestymistapa vastuulliseen tekoälyyn pohjautuu tekoälyn periaatteisiimme: oikeudenmukaisuuteen, luotettavuuteen ja turvallisuuteen, yksityisyyteen ja tietoturvaan, osallisuuteen, läpinäkyvyyteen ja vastuullisuuteen.

Suuret luonnollisen kielen, kuvan ja puheen mallit - kuten tässä esimerkissä käytetyt - voivat käyttäytyä tavoilla, jotka ovat epäreiluja, epäluotettavia tai loukkaavia, mikä voi aiheuttaa haittaa. Tutustu Azure OpenAI -palvelun läpinäkyvyysmuistioon, jotta saat tietoa riskeistä ja rajoituksista. Suositeltu lähestymistapa näiden riskien lieventämiseksi on sisällyttää arkkitehtuuriisi turvajärjestelmä, joka voi havaita ja estää haitallista käyttäytymistä. Azure AI Content Safety tarjoaa itsenäisen suojakerroksen, joka pystyy havaitsemaan haitallisen käyttäjän luoman ja tekoälyn luoman sisällön sovelluksissa ja palveluissa. Azure AI Content Safety sisältää teksti- ja kuva-API:t, jotka mahdollistavat haitallisen materiaalin havaitsemisen. Microsoft Foundryn sisällä Content Safety -palvelu mahdollistaa haitallisen sisällön tunnistamiseen liittyvän esimerkkikoodin tarkastelun, tutkimisen ja kokeilemisen eri modalityjen välillä. Seuraava nopean käynnistyksen dokumentaatio opastaa sinua tekemään pyyntöjä palveluun.

Toinen huomioon otettava näkökulma on sovelluksen kokonaisvaltainen suorituskyky. Monimodaalisissa ja monimallipohjaisissa sovelluksissa suorituskyvyllä tarkoitetaan sitä, että järjestelmä toimii niin kuin sinä ja käyttäjäsi odotatte, mukaan lukien haitallisten tulosteiden välttäminen. On tärkeää arvioida sovelluksesi kokonaisvaltainen suorituskyky käyttämällä Suorituskyky- ja Laatu- sekä Riski- ja Turvallisuusarvioijia. Sinulla on myös mahdollisuus luoda ja arvioida mukautetuilla arvioijilla.

Voit arvioida tekoälysovellustasi kehitysympäristössäsi käyttämällä Azure AI Evaluation SDK:ta. Kun käytössäsi on joko testiaineisto tai kohde, generatiivisten tekoälysovellustesi luomukset mitataan määrällisesti sisäänrakennettujen arvioijien tai valitsemiesi mukautettujen arvioijien avulla. Aloittaaksesi järjestelmäsi arvioinnin azure ai evaluation sdk:lla, voit seurata nopean käynnistyksen opasta. Kun suoritat arviointikierroksen, voit visualisoida tulokset Microsoft Foundryssa.

Tavaranmerkit

Tämä projekti saattaa sisältää tavaramerkkejä tai logoja projekteista, tuotteista tai palveluista. Microsoftin tavaramerkkien tai logojen käyttö on sallittua ja sen on noudatettava Microsoftin tavaramerkkien ja brändiohjeiden ehtoja. Microsoftin tavaramerkkien tai logojen käyttö muokatuissa versioissa tästä projektista ei saa aiheuttaa sekaannusta tai antaa vaikutelmaa Microsoftin sponsoroinnista. Kolmansien osapuolten tavaramerkkien tai logojen käyttö on näiden osapuolten sääntöjen alaista.

Apua saatavilla

Jos jäät jumiin tai sinulla on kysyttävää tekoälysovellusten rakentamisesta, liity:

Jos sinulla on tuotepalautetta tai kohtaat virheitä rakentamisen aikana, käy:

Vastuuvapauslauseke: Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset saattavat sisältää virheitä tai epätarkkuuksia. Alkuperäinen asiakirja omalla kielellään on virallinen lähde. Tärkeiden tietojen osalta suositellaan ammattimaista ihmiskääntäjää. Emme ole vastuussa mahdollisista väärinymmärryksistä tai tulkinnoista, jotka johtuvat tämän käännöksen käytöstä.

Provide feedback

Saved searches

Use saved searches to filter your results more quickly