Phi Cookbook: Mga Hands-On na Halimbawa gamit ang mga Phi Models ng Microsoft

Ang Phi ay isang serye ng bukas na pinagmulan na mga AI modelong binuo ng Microsoft.

Ang Phi ay kasalukuyang ang pinaka-makapangyarihan at cost-effective na maliit na language model (SLM), na may napakahusay na mga benchmark sa multi-wika, pag-iisip, text/chat generation, coding, mga larawan, audio at iba pang mga sitwasyon.

Maaari mong i-deploy ang Phi sa cloud o sa mga edge device, at madali kang makakagawa ng mga generative AI application na may limitadong computing power.

Sundin ang mga hakbang na ito upang makapagsimula gamit ang mga resource na ito :

I-fork ang Repository: Pindutin ang
I-clone ang Repository: git clone https://github.com/microsoft/PhiCookBook.git
Sumali sa Microsoft AI Discord Community at makipagkita sa mga eksperto at kapwa mga developer

🌐 Suporta sa Maramihang Wika

Sinusuportahan sa pamamagitan ng GitHub Action (Automated at Palaging Napapanahon)

Mas gusto mo bang Mag-clone nang Lokal?

Ang repositoryong ito ay may higit sa 50 na pagsasalin ng wika na malaki ang pinapataas sa laki ng i-download. Upang mag-clone nang walang mga pagsasalin, gamitin ang sparse checkout:

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"
Ito ay magbibigay sa iyo ng lahat ng kailangan mo upang makumpleto ang kurso nang mas mabilis ang pag-download.

Talaan ng Nilalaman

Panimula
Pagsusuri ng Phi sa iba't ibang kapaligiran
Pagsusuri ng Pamilyang Phi
Pag-quantify sa Pamilyang Phi
Pagsusuri ng Phi
RAG gamit ang Azure AI Search
- Paano gamitin ang Phi-4-mini at Phi-4-multimodal (RAG) gamit ang Azure AI Search
Mga halimbawa ng pagbuo ng Phi application
- Mga Text at Chat Application
  - Phi-4 Samples
  - Phi-3 / 3.5 Samples
- Azure AI Inference SDK Code Based Samples
  - Phi-4 Samples
    - [📓] Gumawa ng project code gamit ang Phi-4-multimodal
  - Phi-3 / 3.5 Samples
    - Bumuo ng sarili mong Visual Studio Code GitHub Copilot Chat gamit ang Microsoft Phi-3 Family
    - Gumawa ng sarili mong Visual Studio Code Chat Copilot Agent gamit ang Phi-3.5 mula sa mga GitHub Models
- Advanced Reasoning Samples
  - Phi-4 Samples
- Demos
  - Phi-4-mini demos na naka-host sa Hugging Face Spaces
  - Phi-4-multimodal demos na naka-host sa Hugging Face Spaces
- Vision Samples
  - Phi-4 Samples
    - [📓] Gamitin ang Phi-4-multimodal upang basahin ang mga larawan at gumawa ng code
  - Phi-3 / 3.5 Samples
- Reasoning-Vision Samples
  - Phi-4-Reasoning-Vision-15B
- Math Samples
  - Phi-4-Mini-Flash-Reasoning-Instruct Samples Math Demo gamit ang Phi-4-Mini-Flash-Reasoning-Instruct
- Audio Samples
  - Phi-4 Samples
- MOE Samples
  - Phi-3 / 3.5 Samples
- Function Calling Samples
  - Phi-4 Samples 🆕
- Multimodal Mixing Samples
  - Phi-4 Samples 🆕
    - [📓] Paggamit ng Phi-4-multimodal bilang isang Technology journalist
    - .NET console application gamit ang Phi-4-multimodal para suriin ang mga larawan
Fine-tuning Phi Samples
Hands on Lab
- Pagsusuri ng mga pinaka-advanced na modelo: LLMs, SLMs, lokal na pag-unlad at iba pa
- Pagbubukas ng Potensyal ng NLP: Fine-Tuning gamit ang Microsoft Olive
Mga Papel sa Pananaliksik at Publikasyon ng Akademya

Paggamit ng Mga Modelo ng Phi

Phi sa Microsoft Foundry

Matutunan mo kung paano gamitin ang Microsoft Phi at kung paano bumuo ng mga solusyong E2E sa iba't ibang hardware devices mo. Para maranasan ang Phi, simulan sa paglalaro gamit ang mga modelo at i-customize ang Phi para sa iyong mga senaryo gamit ang Microsoft Foundry Azure AI Model Catalog. Maaari kang matuto nang higit pa sa Pagsisimula gamit ang Microsoft Foundry.

Playground Bawat modelo ay may dedikadong playground para subukan ang modelo sa Azure AI Playground.

Phi sa GitHub Models

Matutunan mo kung paano gamitin ang Microsoft Phi at kung paano bumuo ng mga solusyong E2E sa iba't ibang hardware devices mo. Para maranasan ang Phi, simulan sa paglalaro gamit ang modelo at i-customize ang Phi para sa iyong mga senaryo gamit ang GitHub Model Catalog. Maaari kang matuto nang higit pa sa Pagsisimula gamit ang GitHub Model Catalog.

Playground Bawat modelo ay may dedikadong playground para subukan ang modelo.

Phi sa Hugging Face

Maaari mo ring makita ang modelo sa Hugging Face

Playground Hugging Chat playground

🎒 Iba Pang Mga Kurso

Ang aming koponan ay gumagawa rin ng iba pang mga kurso! Tingnan ang:

LangChain

Azure / Edge / MCP / Agents

Generative AI Series

Pangunahing Pagkatuto

Copilot Series

Responsable AI

Ang Microsoft ay nakatuon sa pagtulong sa aming mga customer na gamitin ang aming mga produktong AI nang responsable, ibahagi ang aming mga natutunan, at bumuo ng mga partnership na nakabatay sa pagtitiwala sa pamamagitan ng mga tool tulad ng Transparency Notes at Impact Assessments. Marami sa mga mapagkukunang ito ay makikita sa https://aka.ms/RAI. Ang paraan ng Microsoft sa responsable AI ay nakabase sa aming mga prinsipyong AI ng patas, maaasahan at ligtas, privacy at seguridad, pagiging inklusibo, transparency, at pananagutan.

Ang mga malalaking modelo ng natural na wika, imahe, at pagsasalita - tulad ng mga ginamit sa sample na ito - ay maaaring kumilos sa mga paraan na hindi patas, hindi maaasahan, o nakakasakit, na maaaring magdulot ng pinsala. Mangyaring kumonsulta sa Azure OpenAI service Transparency note upang malaman ang mga panganib at limitasyon. Ang inirerekomendang paraan upang mabawasan ang mga panganib na ito ay ang magsama ng isang sistema ng kaligtasan sa iyong arkitektura na maaaring makadetect at makapigil ng mapanganib na pag-uugali. Nagbibigay ang Azure AI Content Safety ng isang independiyenteng layer ng proteksyon, na kayang matukoy ang mapanganib na nilalaman na ginawa ng user at AI sa mga aplikasyon at serbisyo. Kasama sa Azure AI Content Safety ang mga text at image API na nagpapahintulot sa iyo na matukoy ang mga materyal na mapanganib. Sa loob ng Microsoft Foundry, ang serbisyo ng Content Safety ay nagbibigay-daan sa iyo upang tingnan, tuklasin at subukan ang sample code para sa pagtuklas ng mapanganib na nilalaman sa iba't ibang modalidad. Ang sumusunod na quickstart documentation ay gagabay sa iyo sa paggawa ng mga request sa serbisyo.

Isa pang aspeto na dapat isaalang-alang ay ang kabuuang pagganap ng aplikasyon. Sa mga multi-modal at multi-model na aplikasyon, itinuturing namin ang pagganap bilang ang sistema ay gumaganap ayon sa inaasahan mo at ng iyong mga user, kabilang na ang hindi paggawa ng mapanganib na outputs. Mahalaga na suriin ang pagganap ng iyong pangkalahatang aplikasyon gamit ang Performance and Quality and Risk and Safety evaluators. Mayroon ka ring kakayahan na lumikha at magsuri gamit ang custom evaluators.

Maaari mong suriin ang iyong AI aplikasyon sa iyong development environment gamit ang Azure AI Evaluation SDK. Kapag mayroong test dataset o target, ang mga generative AI application generation mo ay nasusukat nang quantitatively gamit ang built-in evaluators o custom evaluators na iyong pinili. Upang makapagsimula gamit ang azure ai evaluation sdk para suriin ang iyong sistema, maaari mong sundan ang quickstart guide. Kapag naisagawa mo na ang evaluation run, maaari mo nang makita ang resulta sa Microsoft Foundry.

Mga Trademark

Maaaring naglalaman ang proyektong ito ng mga trademark o logo para sa mga proyekto, produkto, o serbisyo. Ang awtorisadong paggamit ng mga trademark o logo ng Microsoft ay sakop at dapat sumunod sa Microsoft's Trademark & Brand Guidelines. Ang paggamit ng mga trademark o logo ng Microsoft sa mga binagong bersyon ng proyektong ito ay hindi dapat magdulot ng kalituhan o magpahiwatig ng sponsorship ng Microsoft. Anumang paggamit ng trademark o logo ng third-party ay alinsunod sa mga patakaran ng third-party na iyon.

Paghingi ng Tulong

Kung ikaw ay nahihirapan o may mga tanong tungkol sa paggawa ng mga AI na apps, sumali sa:

Kung mayroon kang feedback sa produkto o mga error habang nagde-develop, bisitahin ang:

Disclaimer:
Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Bagamat nagsusumikap kami para sa katumpakan, pakiusap tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o di-tumpak na impormasyon. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na pangunahing sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasaling-tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na nagmumula sa paggamit ng pagsasaling ito.

Navigation Menu

Repository navigation