Buku Resep Phi: Contoh Praktis dengan Model Phi dari Microsoft

Phi adalah serangkaian model AI open source yang dikembangkan oleh Microsoft.

Phi saat ini merupakan model bahasa kecil (SLM) yang paling kuat dan hemat biaya, dengan tolok ukur yang sangat baik dalam multi-bahasa, penalaran, generasi teks/chat, pengkodean, gambar, audio, dan skenario lainnya.

Anda dapat menerapkan Phi ke cloud atau perangkat edge, dan Anda dapat dengan mudah membangun aplikasi AI generatif dengan daya komputasi terbatas.

Ikuti langkah-langkah ini untuk memulai menggunakan sumber daya ini:

1. Fork Repositori: Klik
2. Clone Repositori: git clone https://github.com/microsoft/PhiCookBook.git
3. Bergabung dengan Komunitas Discord AI Microsoft dan temui para ahli serta sesama pengembang

🌐 Dukungan Multi-Bahasa

Didukung melalui GitHub Action (Otomatis & Selalu Terbaru)

Arab | Bengali | Bulgaria | Burma (Myanmar) | Cina (Sederhana) | Cina (Tradisional, Hong Kong) | Cina (Tradisional, Macau) | Cina (Tradisional, Taiwan) | Kroasia | Ceko | Denmark | Belanda | Estonia | Finlandia | Prancis | Jerman | Yunani | Ibrani | Hindi | Hungaria | Indonesia | Italia | Jepang | Kannada | Kamboja | Korea | Lituania | Melayu | Malayalam | Marathi | Nepali | Pidgin Nigeria | Norwegia | Persia (Farsi) | Polandia | Portugis (Brasil) | Portugis (Portugal) | Punjabi (Gurmukhi) | Rumania | Rusia | Serbia (Sirilik) | Slovakia | Slovenia | Spanyol | Swahili | Swedia | Tagalog (Filipina) | Tamil | Telugu | Thai | Turki | Ukraina | Urdu | Vietnam

Lebih Suka Clone Secara Lokal?

Repositori ini termasuk lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk clone tanpa terjemahan, gunakan 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"

Ini memberi Anda semua yang Anda butuhkan untuk menyelesaikan kursus dengan unduhan yang jauh lebih cepat.

Daftar Isi

• Pengantar

  • Selamat datang di Keluarga Phi
  • Menyiapkan lingkungan Anda
  • Memahami Teknologi Kunci
  • Keamanan AI untuk Model Phi
  • Dukungan Perangkat Keras Phi
  • Model Phi & Ketersediaan di berbagai platform
  • Menggunakan Guidance-ai dan Phi
  • Model Marketplace GitHub
  • Katalog Model Azure AI

• Inferensi Phi di lingkungan berbeda

  • Hugging face
  • Model GitHub
  • Katalog Model Microsoft Foundry
  • Ollama
  • AI Toolkit VSCode (AITK)
  • NVIDIA NIM
  • Foundry Lokal

• Inferensi Keluarga Phi

  • Inferensi Phi di iOS
  • Inferensi Phi di Android
  • Inferensi Phi di Jetson
  • Inferensi Phi di AI PC
  • Inferensi Phi dengan Kerangka MLX Apple
  • Inferensi Phi di Server Lokal
  • Inferensi Phi di Server Jarak Jauh menggunakan AI Toolkit
  • Inferensi Phi dengan Rust
  • Inferensi Phi--Vision di Lokal
  • Inferensi Phi dengan Kaito AKS, Azure Containers (dukungan resmi)

• Quantifying Keluarga Phi

  • Mengkuantisasi Phi-3.5 / 4 menggunakan llama.cpp
  • Mengkuantisasi Phi-3.5 / 4 menggunakan ekstensi AI Generatif untuk onnxruntime
  • Mengkuantisasi Phi-3.5 / 4 menggunakan Intel OpenVINO
  • Mengkuantisasi Phi-3.5 / 4 menggunakan Kerangka MLX Apple

• Evaluasi Phi

  • AI yang Bertanggung Jawab
  • Microsoft Foundry untuk Evaluasi
  • Menggunakan Promptflow untuk Evaluasi

• RAG dengan Azure AI Search

  • Cara menggunakan Phi-4-mini dan Phi-4-multimodal (RAG) dengan Azure AI Search

• Contoh pengembangan aplikasi Phi

  • Aplikasi Teks & Chat

    • Contoh Phi-4
      • [📓] Chat Dengan Model Phi-4-mini ONNX
      • Chat dengan Model Phi-4 lokal ONNX .NET
      • Chat Aplikasi Konsol .NET dengan Phi-4 ONNX menggunakan Semantic Kernel
    • Contoh Phi-3 / 3.5
      • Chatbot Lokal di browser menggunakan Phi3, ONNX Runtime Web dan WebGPU
      • OpenVino Chat
      • Multi Model - Interaktif Phi-3-mini dan OpenAI Whisper
      • MLFlow - Membangun pembungkus dan menggunakan Phi-3 dengan MLFlow
      • Optimasi Model - Cara mengoptimalkan model Phi-3-min untuk ONNX Runtime Web dengan Olive
      • Aplikasi WinUI3 dengan Phi-3 mini-4k-instruct-onnx -Contoh Aplikasi Catatan AI Multi Model WinUI3 Berdaya
      • Fine-tune dan Integrasikan model Phi-3 kustom dengan Prompt flow
      • Fine-tune dan Integrasikan model Phi-3 kustom dengan Prompt flow di Microsoft Foundry
      • Evaluasi Model Phi-3 / Phi-3.5 Fine-tuned di Microsoft Foundry dengan Fokus pada Prinsip AI Bertanggung Jawab Microsoft
      • [📓] Contoh prediksi bahasa Phi-3.5-mini-instruct (Cina/Inggris)
      • Phi-3.5-Instruct WebGPU RAG Chatbot
      • Menggunakan GPU Windows untuk membuat solusi Prompt flow dengan Phi-3.5-Instruct ONNX
      • Menggunakan Microsoft Phi-3.5 tflite untuk membuat aplikasi Android
      • Contoh Q&A .NET menggunakan model Phi-3 ONNX lokal menggunakan Microsoft.ML.OnnxRuntime
      • Aplikasi chat konsol .NET dengan Semantic Kernel dan Phi-3

  • Contoh Kode Azure AI Inference SDK Based

    • Contoh Phi-4
      • [📓] Hasilkan kode proyek menggunakan Phi-4-multimodal
    • Contoh Phi-3 / 3.5
      • Bangun Visual Studio Code Chat GitHub Copilot Anda dengan Keluarga Microsoft Phi-3
      • Buat Agen Chat GitHub Copilot Sendiri di Visual Studio Code dengan Phi-3.5 oleh Model GitHub

  • Contoh Penalaran Lanjut

    • Contoh Phi-4
      • [📓] Contoh Phi-4-mini-penalaran atau Phi-4-penalaran
      • [📓] Fine-tuning Phi-4-mini-penalaran dengan Microsoft Olive
      • [📓] Fine-tuning Phi-4-mini-penalaran dengan Apple MLX
      • [📓] Phi-4-mini-penalaran dengan Model GitHub
      • [📓] Phi-4-mini-penalaran dengan Model Microsoft Foundry

  • Demo

    • Demo Phi-4-mini yang dihosting di Hugging Face Spaces
    • Demo Phi-4-multimodal yang dihosting di Hugging Face Spaces

  • Contoh Vision

    • Contoh Phi-4
      • [📓] Gunakan Phi-4-multimodal untuk membaca gambar dan menghasilkan kode
    • Contoh Phi-3 / 3.5
      • [📓]Phi-3-vision-Teks gambar ke teks
      • Phi-3-vision-ONNX
      • [📓]Phi-3-vision CLIP Embedding
      • DEMO: Phi-3 Recycling
      • Phi-3-vision - Asisten bahasa visual - dengan Phi3-Vision dan OpenVINO
      • Phi-3 Vision Nvidia NIM
      • Phi-3 Vision OpenVino
      • [📓]Contoh Vision multi-frame atau multi-gambar Phi-3.5
      • Model Lokal Phi-3 Vision ONNX menggunakan Microsoft.ML.OnnxRuntime .NET
      • Menu berbasis Model Lokal Phi-3 Vision ONNX menggunakan Microsoft.ML.OnnxRuntime .NET

  • Contoh Reasoning-Vision

    • Phi-4-Reasoning-Vision-15B
      • [📓] Menggunakan Phi-4-Reasoning-Vision-15B untuk mendeteksi jaywalking
      • [📓] Menggunakan Phi-4-Reasoning-Vision-15B untuk matematika
      • [📓] Menggunakan Phi-4-Reasoning-Vision-15B untuk mendeteksi UI

  • Contoh Matematika

    • Contoh Phi-4-Mini-Flash-Reasoning-Instruct Demo Matematika dengan Phi-4-Mini-Flash-Reasoning-Instruct

  • Contoh Audio

    • Contoh Phi-4
      • [📓] Mengekstrak transkrip audio menggunakan Phi-4-multimodal
      • [📓] Contoh Audio Phi-4-multimodal
      • [📓] Contoh Terjemahan Ucapan Phi-4-multimodal
      • Aplikasi konsol .NET menggunakan Phi-4-multimodal Audio untuk menganalisis file audio dan menghasilkan transkrip

  • Contoh MOE

    • Contoh Phi-3 / 3.5
      • [📓] Contoh Media Sosial Model Mixture of Experts Phi-3.5 (MoEs)
      • [📓] Membangun Pipeline Retrieval-Augmented Generation (RAG) dengan NVIDIA NIM Phi-3 MOE, Azure AI Search, dan LlamaIndex

  • Contoh Pemanggilan Fungsi

    • Contoh Phi-4 🆕
      • [📓] Menggunakan Pemanggilan Fungsi dengan Phi-4-mini
      • [📓] Menggunakan Pemanggilan Fungsi untuk membuat multi-agen dengan Phi-4-mini
      • [📓] Menggunakan Pemanggilan Fungsi dengan Ollama
      • [📓] Menggunakan Pemanggilan Fungsi dengan ONNX

  • Contoh Pencampuran Multimodal

    • Contoh Phi-4 🆕
      • [📓] Menggunakan Phi-4-multimodal sebagai jurnalis teknologi
      • Aplikasi konsol .NET menggunakan Phi-4-multimodal untuk menganalisis gambar

• Fine-tuning Contoh Phi

  • Skenario Fine-tuning
  • Fine-tuning vs RAG
  • Fine-tuning Membuat Phi-3 Menjadi Pakar Industri
  • Fine-tuning Phi-3 dengan AI Toolkit untuk VS Code
  • Fine-tuning Phi-3 dengan Azure Machine Learning Service
  • Fine-tuning Phi-3 dengan Lora
  • Fine-tuning Phi-3 dengan QLora
  • Fine-tuning Phi-3 dengan Microsoft Foundry
  • Fine-tuning Phi-3 dengan Azure ML CLI/SDK
  • Fine-tuning dengan Microsoft Olive
  • Fine-tuning dengan Microsoft Olive Hands-On Lab
  • Fine-tuning Phi-3-vision dengan Weights and Bias
  • Fine-tuning Phi-3 dengan Apple MLX Framework
  • Fine-tuning Phi-3-vision (dukungan resmi)
  • Fine-Tuning Phi-3 dengan Kaito AKS, Kontainer Azure (Dukungan Resmi)
  • Fine-Tuning Phi-3 dan 3.5 Vision

• Hands on Lab

  • Menjelajahi model terkini: LLM, SLM, pengembangan lokal dan lainnya
  • Membuka Potensi NLP: Fine-Tuning dengan Microsoft Olive

• Makalah dan Publikasi Penelitian Akademik

  • Textbooks Are All You Need II: laporan teknis phi-1.5
  • Laporan Teknis Phi-3: Model Bahasa Berkapasitas Tinggi secara Lokal di Ponsel Anda
  • Laporan Teknis Phi-4
  • Laporan Teknis Phi-4-Mini: Model Bahasa Multimodal Kompak namun Kuat melalui Mixture-of-LoRAs
  • Mengoptimalkan Model Bahasa Kecil untuk Pemanggilan Fungsi Dalam Kendaraan
  • (WhyPHI) Fine-Tuning PHI-3 untuk Menjawab Pertanyaan Pilihan Ganda: Metodologi, Hasil, dan Tantangan
  • Laporan Teknis Phi-4-reasoning
  • Laporan Teknis Phi-4-mini-reasoning

Menggunakan Model Phi

Phi di Microsoft Foundry

Anda dapat belajar cara menggunakan Microsoft Phi dan cara membangun solusi E2E di berbagai perangkat keras Anda. Untuk mengalami Phi secara langsung, mulailah dengan mencoba model dan menyesuaikan Phi untuk skenario Anda menggunakan Microsoft Foundry Azure AI Model Catalog. Anda dapat mempelajari lebih lanjut pada Memulai dengan Microsoft Foundry

Playground
Setiap model memiliki playground khusus untuk menguji model di Azure AI Playground.

Phi di Model GitHub

Anda dapat belajar cara menggunakan Microsoft Phi dan cara membangun solusi E2E di berbagai perangkat keras Anda. Untuk mengalami Phi secara langsung, mulailah dengan mencoba model dan menyesuaikan Phi untuk skenario Anda menggunakan GitHub Model Catalog. Anda dapat mempelajari lebih lanjut pada Memulai dengan GitHub Model Catalog

Playground
Setiap model memiliki playground khusus untuk menguji model.

Phi di Hugging Face

Anda juga dapat menemukan model di Hugging Face

Playground
Hugging Chat playground

🎒 Kursus Lainnya

Tim kami memproduksi kursus lainnya! Lihat di:

LangChain

Azure / Edge / MCP / Agents

---

Seri AI Generatif

---

Pembelajaran Inti

---

Seri Copilot

AI yang Bertanggung Jawab

Microsoft berkomitmen membantu pelanggan kami menggunakan produk AI kami dengan bertanggung jawab, berbagi pembelajaran, dan membangun kemitraan berbasis kepercayaan melalui alat seperti Transparency Notes dan Impact Assessments. Banyak sumber daya ini dapat ditemukan di https://aka.ms/RAI.
Pendekatan Microsoft terhadap AI yang bertanggung jawab didasarkan pada prinsip AI kami yaitu keadilan, keandalan dan keselamatan, privasi dan keamanan, inklusivitas, transparansi, dan akuntabilitas.

Model skala besar untuk bahasa, gambar, dan suara - seperti yang digunakan dalam contoh ini - berpotensi berperilaku dengan cara yang tidak adil, tidak dapat diandalkan, atau menyinggung, yang pada akhirnya menyebabkan kerugian. Harap tinjau catatan transparansi layanan Azure OpenAI untuk mengetahui risiko dan keterbatasannya. Pendekatan yang direkomendasikan untuk mengurangi risiko ini adalah dengan memasukkan sistem keamanan dalam arsitektur Anda yang dapat mendeteksi dan mencegah perilaku berbahaya. Azure AI Content Safety menyediakan lapisan perlindungan independen, mampu mendeteksi konten berbahaya yang dihasilkan oleh pengguna dan AI dalam aplikasi serta layanan. Azure AI Content Safety mencakup API teks dan gambar yang memungkinkan Anda mendeteksi materi yang berbahaya. Dalam Microsoft Foundry, layanan Content Safety memungkinkan Anda melihat, menjelajahi, dan mencoba contoh kode untuk mendeteksi konten berbahaya di berbagai modalitas. Dokumentasi quickstart berikut memandu Anda untuk membuat permintaan ke layanan tersebut.

Aspek lain yang perlu diperhatikan adalah performa keseluruhan aplikasi. Dengan aplikasi multi-modal dan multi-model, kami menganggap performa berarti sistem bekerja seperti yang Anda dan pengguna Anda harapkan, termasuk tidak menghasilkan keluaran yang berbahaya. Penting untuk menilai kinerja aplikasi keseluruhan Anda menggunakan Penilai Performa dan Kualitas serta Risiko dan Keamanan. Anda juga memiliki kemampuan untuk membuat dan menilai dengan penilai kustom.

Anda dapat mengevaluasi aplikasi AI Anda di lingkungan pengembangan Anda menggunakan Azure AI Evaluation SDK. Dengan dataset pengujian atau target, generasi aplikasi AI generatif Anda diukur secara kuantitatif dengan penilai bawaan atau penilai kustom pilihan Anda. Untuk memulai dengan azure ai evaluation sdk untuk mengevaluasi sistem Anda, Anda dapat mengikuti panduan quickstart. Setelah Anda menjalankan evaluasi, Anda dapat memvisualisasikan hasilnya di Microsoft Foundry.

Merek Dagang

Proyek ini mungkin mengandung merek dagang atau logo untuk proyek, produk, atau layanan. Penggunaan resmi merek dagang atau logo Microsoft tunduk pada dan harus mengikuti Pedoman Merek Dagang & Merek Microsoft. Penggunaan merek dagang atau logo Microsoft pada versi modifikasi proyek ini tidak boleh menyebabkan kebingungan atau mengindikasikan sponsor Microsoft. Setiap penggunaan merek dagang atau logo pihak ketiga tunduk pada kebijakan pihak ketiga tersebut.

Mendapatkan Bantuan

Jika Anda mengalami kesulitan atau memiliki pertanyaan tentang membangun aplikasi AI, bergabunglah dengan:

Jika Anda memiliki umpan balik produk atau menemukan kesalahan saat membangun, kunjungi:

---

Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI Co-op Translator. Meskipun kami berupaya untuk akurasi, harap diingat bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang sahih. Untuk informasi penting, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau kesalahan interpretasi yang timbul dari penggunaan terjemahan ini.