Buku Masakan Phi: Contoh Praktikal dengan Model Phi Microsoft

Phi adalah siri model AI sumber terbuka yang dibangunkan oleh Microsoft.

Phi kini merupakan model bahasa kecil (SLM) yang paling berkuasa dan berkesan dari segi kos, dengan penanda aras yang sangat baik dalam pelbagai bahasa, penaakulan, penjanaan teks/bual, pengkodan, imej, audio dan senario lain.

Anda boleh menyebarkan Phi ke awan atau ke peranti tepi, dan anda boleh dengan mudah membina aplikasi AI generatif dengan kuasa pengkomputeran yang terhad.

Ikuti langkah-langkah ini untuk mula menggunakan sumber ini:

1. Fork Repositori: Klik
2. Klon Repositori: git clone https://github.com/microsoft/PhiCookBook.git
3. Sertai Komuniti Discord AI Microsoft dan temui pakar serta pembangun lain

🌐 Sokongan Pelbagai Bahasa

Disokong melalui Tindakan GitHub (Automatik & Sentiasa Dikemas Kini)

Arab | Bengali | Bulgaria | Burmese (Myanmar) | Cina (Ringkas) | Cina (Tradisional, Hong Kong) | Cina (Tradisional, Macau) | Cina (Tradisional, Taiwan) | Croatia | Ceko | Denmark | Belanda | Estonia | Finland | Perancis | Jerman | Greek | Ibrani | Hindi | Hungaria | Indonesia | Itali | Jepun | Kannada | Khmer | Korea | Lithuania | Melayu | Malayalam | Marathi | Nepal | Pidgin Nigeria | Norway | Parsi (Farsi) | Poland | Portugis (Brazil) | Portugis (Portugal) | Punjabi (Gurmukhi) | Romania | Rusia | Serbia (Cyrilic) | Slovak | Slovenia | Sepanyol | Swahili | Sweden | Tagalog (Filipina) | Tamil | Telugu | Thai | Turki | Ukraine | Urdu | Vietnam

Lebih suka Klon Tempatan?

Repositori ini merangkumi lebih 50 terjemahan bahasa yang secara signifikan meningkatkan saiz muat turun. Untuk klon 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 memberikan anda semua yang anda perlukan untuk menyelesaikan kursus dengan muat turun yang jauh lebih pantas.

Jadual Kandungan

• Pengenalan

  • Selamat Datang ke Keluarga Phi
  • Menyediakan persekitaran anda
  • Memahami Teknologi Utama
  • Keselamatan AI untuk Model Phi
  • Sokongan Perkakasan Phi
  • Model Phi & Ketersediaan merentasi platform
  • Menggunakan Guidance-ai dan Phi
  • Model Pasar GitHub
  • Katalog Model AI Azure

• Inference Phi dalam persekitaran berbeza

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

• Inference Keluarga Phi

  • Inference Phi pada iOS
  • Inference Phi pada Android
  • Inference Phi pada Jetson
  • Inference Phi pada PC AI
  • Inference Phi dengan Rangka Kerja Apple MLX
  • Inference Phi pada Pelayan Tempatan
  • Inference Phi pada Pelayan Jauh menggunakan AI Toolkit
  • Inference Phi dengan Rust
  • Inference Phi--Vision di Tempatan
  • Inference Phi dengan Kaito AKS, Azure Containers (sokongan rasmi)

• Pengukuran Keluarga Phi

  • Mengukur Phi-3.5 / 4 dengan llama.cpp
  • Mengukur Phi-3.5 / 4 dengan sambungan AI Generatif untuk onnxruntime
  • Mengukur Phi-3.5 / 4 dengan Intel OpenVINO
  • Mengukur Phi-3.5 / 4 dengan Rangka Kerja Apple MLX

• Penilaian Phi

  • AI Bertanggungjawab
  • Microsoft Foundry untuk Penilaian
  • Menggunakan Promptflow untuk Penilaian

• RAG dengan Azure AI Search

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

• Contoh pembangunan aplikasi Phi

  • Aplikasi Teks & Bualan

    • Sampel Phi-4
      • [📓] Bual dengan Model Phi-4-mini ONNX
      • Bual dengan Model ONNX Phi-4 tempatan .NET
      • Aplikasi Konsol Bual .NET dengan Phi-4 ONNX menggunakan Semantic Kernel
    • Sampel Phi-3 / 3.5
      • Chatbot Tempatan dalam pelayar menggunakan Phi3, ONNX Runtime Web dan WebGPU
      • OpenVino Chat
      • Model Pelbagai - Interaktif Phi-3-mini dan OpenAI Whisper
      • MLFlow - Membina pembalut dan menggunakan Phi-3 dengan MLFlow
      • Pengoptimuman Model - Cara mengoptimumkan model Phi-3-min untuk ONNX Runtime Web dengan Olive
      • Aplikasi WinUI3 dengan Phi-3 mini-4k-instruct-onnx -Contoh Aplikasi Nota Berkuasa AI Multi Model WinUI3
      • Laras halus dan Integrasi model Phi-3 tersuai dengan Prompt flow
      • Laras halus dan Integrasi model Phi-3 tersuai dengan Prompt flow di Microsoft Foundry
      • Menilai Model Phi-3 / Phi-3.5 yang Dilaras Halus dalam Microsoft Foundry dengan Fokus pada Prinsip AI Bertanggungjawab Microsoft
      • [📓] Contoh ramalan bahasa Phi-3.5-mini-instruct (Cina/Inggeris)
      • Phi-3.5-Instruct WebGPU RAG Chatbot
      • Menggunakan GPU Windows untuk membuat penyelesaian Prompt flow dengan Phi-3.5-Instruct ONNX
      • Menggunakan Microsoft Phi-3.5 tflite untuk membuat aplikasi Android
      • Contoh Q&A .NET menggunakan model ONNX Phi-3 tempatan dengan Microsoft.ML.OnnxRuntime
      • Aplikasi chat konsol .NET dengan Semantic Kernel dan Phi-3

  • Contoh Kod SDK Azure AI Inference Berdasarkan Kod

    • Contoh Phi-4
      • [📓] Menjana kod projek menggunakan Phi-4-multimodal
    • Contoh Phi-3 / 3.5
      • Bina Visual Studio Code GitHub Copilot Chat anda sendiri dengan Keluarga Microsoft Phi-3
      • Buat Ejen Chat Copilot Visual Studio Code anda sendiri dengan Phi-3.5 oleh Model GitHub

  • Contoh Penalaran Lanjutan

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

  • Demonstrasi

    • Demo Phi-4-mini dihoskan di Hugging Face Spaces
    • Demo Phi-4-multimodal dihoskan di Hugging Face Spaces

  • Contoh Penglihatan

    • Contoh Phi-4
      • [📓] Gunakan Phi-4-multimodal untuk membaca imej dan menjana kod
    • Contoh Phi-3 / 3.5
      • [📓]Phi-3-vision-Imej teks ke teks
      • Phi-3-vision-ONNX
      • [📓]Phi-3-vision CLIP Embedding
      • DEMO: Kitar semula Phi-3
      • Phi-3-vision - Pembantu bahasa visual - dengan Phi3-Vision dan OpenVINO
      • Phi-3 Vision Nvidia NIM
      • Phi-3 Vision OpenVino
      • [📓]Contoh berbilang bingkai atau berbilang imej Phi-3.5 Vision
      • Model ONNX Tempatan Phi-3 Vision menggunakan Microsoft.ML.OnnxRuntime .NET
      • Menu Berasaskan Model ONNX Tempatan Phi-3 Vision menggunakan Microsoft.ML.OnnxRuntime .NET

  • Contoh Penalaran-Penglihatan

    • Phi-4-Penalaran-Penglihatan-15B
      • [📓] Menggunakan Phi-4-Penalaran-Penglihatan-15B untuk mengesan jaywalking
      • [📓] Menggunakan Phi-4-Penalaran-Penglihatan-15B untuk matematik
      • [📓] Menggunakan Phi-4-Penalaran-Penglihatan-15B untuk mengesan UI

  • Contoh Matematik

    • Contoh Phi-4-Mini-Flash-Reasoning-Instruct Demo Matematik 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 fail audio dan menjana transkrip

  • Contoh MOE

    • Contoh Phi-3 / 3.5
      • [📓] Contoh Model Campuran Pakar Phi-3.5 (MoEs) Media Sosial
      • [📓] Membina Saluran Penjanaan Dipertingkatkan Pengambilan (RAG) dengan NVIDIA NIM Phi-3 MOE, Azure AI Search, dan LlamaIndex

  • Contoh Panggilan Fungsi

    • Contoh Phi-4 🆕
      • [📓] Menggunakan Panggilan Fungsi Dengan Phi-4-mini
      • [📓] Menggunakan Panggilan Fungsi untuk membuat ejen berbilang Dengan Phi-4-mini
      • [📓] Menggunakan Panggilan Fungsi dengan Ollama
      • [📓] Menggunakan Panggilan Fungsi dengan ONNX

  • Contoh Campuran Multimodal

    • Contoh Phi-4 🆕
      • [📓] Menggunakan Phi-4-multimodal sebagai wartawan Teknologi
      • Aplikasi konsol .NET menggunakan Phi-4-multimodal untuk menganalisis imej

• Laras halus Contoh Phi

  • Senario Laras halus
  • Laras halus vs RAG
  • Laras halus Biarkan Phi-3 menjadi pakar industri
  • Laras halus Phi-3 dengan AI Toolkit untuk VS Code
  • Laras halus Phi-3 dengan Azure Machine Learning Service
  • Laras halus Phi-3 dengan Lora
  • Laras halus Phi-3 dengan QLora
  • Laras halus Phi-3 dengan Microsoft Foundry
  • Laras halus Phi-3 dengan Azure ML CLI/SDK
  • Laras halus dengan Microsoft Olive
  • Makmal Amali Laras halus dengan Microsoft Olive
  • Laras halus Phi-3-vision dengan Weights and Bias
  • Laras halus Phi-3 dengan Rangka kerja Apple MLX
  • Laras halus Phi-3-vision (sokongan rasmi)
  • Penalaan Halus Phi-3 dengan Kaito AKS, Azure Containers (Sokongan Rasmi)
  • Penalaan Halus Phi-3 dan 3.5 Vision

• Makmal Praktikal

  • Meneroka model termaju: LLMs, SLMs, pembangunan tempatan dan lain-lain
  • Membuka Potensi NLP: Penalaan Halus dengan Microsoft Olive

• Kertas Penyelidikan Akademik dan Penerbitan

  • Buku Teks Adalah Semua Yang Anda Perlukan II: Laporan teknikal phi-1.5
  • Laporan Teknikal Phi-3: Model Bahasa Berupaya Tinggi Secara Tempatan pada Telefon Anda
  • Laporan Teknikal Phi-4
  • Laporan Teknikal Phi-4-Mini: Model Bahasa Multimodal Padat Tetapi Berkuasa melalui Mixture-of-LoRAs
  • Mengoptimumkan Model Bahasa Kecil untuk Panggilan Fungsi Dalam Kenderaan
  • (WhyPHI) Penalaan Halus PHI-3 untuk Menjawab Soalan Pilihan Berganda: Kaedah, Keputusan, dan Cabaran
  • Laporan Teknikal Phi-4-penalaran
  • Laporan Teknikal Phi-4-mini-penalaran

Menggunakan Model Phi

Phi pada Microsoft Foundry

Anda boleh belajar cara menggunakan Microsoft Phi dan cara membina penyelesaian E2E dalam pelbagai peranti perkakasan anda. Untuk mengalami Phi sendiri, mulakan dengan bermain dengan model dan menyesuaikan Phi untuk senario anda menggunakan Katalog Model AI Azure Microsoft Foundry anda boleh belajar lebih lanjut di Memulakan dengan Microsoft Foundry

Tempat Latihan Setiap model mempunyai tempat latihan khusus untuk menguji model Azure AI Playground.

Phi pada Model GitHub

Anda boleh belajar cara menggunakan Microsoft Phi dan cara membina penyelesaian E2E dalam pelbagai peranti perkakasan anda. Untuk mengalami Phi sendiri, mulakan dengan bermain dengan model dan menyesuaikan Phi untuk senario anda menggunakan Katalog Model GitHub anda boleh belajar lebih lanjut di Memulakan dengan Katalog Model GitHub

Tempat Latihan Setiap model mempunyai tempat latihan khusus untuk menguji model.

Phi di Hugging Face

Anda juga boleh mencari model di Hugging Face

Tempat Latihan Tempat Latihan Hugging Chat

🎒 Kursus Lain

Pasukan kami menghasilkan kursus lain! Semak:

LangChain

Azure / Edge / MCP / Ejen

---

Siri AI Generatif

---

Pembelajaran Teras

---

Siri Copilot

AI Bertanggungjawab

Microsoft komited untuk membantu pelanggan kami menggunakan produk AI kami secara bertanggungjawab, berkongsi pembelajaran kami, dan membina perkongsian berasaskan kepercayaan melalui alat seperti Nota Ketelusan dan Penilaian Impak. Banyak sumber ini boleh didapati di https://aka.ms/RAI. Pendekatan Microsoft terhadap AI bertanggungjawab berasaskan prinsip AI kami iaitu keadilan, kebolehpercayaan dan keselamatan, privasi dan keselamatan, keterangkuman, ketelusan, dan akauntabiliti.

Model bahasa, imej, dan ucapan berskala besar - seperti yang digunakan dalam contoh ini - berpotensi berkelakuan secara tidak adil, tidak boleh dipercayai, atau menyinggung perasaan, yang boleh menyebabkan kerugian. Sila rujuk nota Ketelusan perkhidmatan Azure OpenAI untuk maklumat tentang risiko dan had. Pendekatan yang disyorkan untuk mengurangkan risiko ini adalah dengan memasukkan sistem keselamatan dalam seni bina anda yang boleh mengesan dan menghalang tingkah laku berbahaya. Azure AI Content Safety menyediakan lapisan perlindungan bebas, mampu mengesan kandungan yang berbahaya yang dihasilkan oleh pengguna dan AI dalam aplikasi dan perkhidmatan. Azure AI Content Safety merangkumi API teks dan imej yang membolehkan anda mengesan bahan yang berbahaya. Dalam Microsoft Foundry, perkhidmatan Content Safety membolehkan anda melihat, meneroka dan mencuba contoh kod untuk mengesan kandungan berbahaya merentas pelbagai modaliti. Dokumentasi quickstart berikut membimbing anda melalui cara membuat permintaan kepada perkhidmatan tersebut.

Satu aspek lain yang perlu diambil kira ialah prestasi keseluruhan aplikasi. Dengan aplikasi multi-modal dan multi-model, kami anggap prestasi bermaksud sistem berfungsi seperti yang anda dan pengguna anda jangkakan, termasuk tidak menjana output yang berbahaya. Adalah penting untuk menilai prestasi keseluruhan aplikasi anda menggunakan penilai Prestasi dan Kualiti serta Risiko dan Keselamatan. Anda juga mempunyai keupayaan untuk mencipta dan menilai dengan penilai khusus.

Anda boleh menilai aplikasi AI anda dalam persekitaran pembangunan anda menggunakan Azure AI Evaluation SDK. Berdasarkan dataset ujian atau sasaran, generasi aplikasi AI generatif anda diukur secara kuantitatif dengan penilai terbina dalam atau penilai khusus pilihan anda. Untuk memulakan dengan azure ai evaluation sdk bagi menilai sistem anda, anda boleh mengikuti panduan quickstart. Setelah anda menjalankan sesi penilaian, anda boleh menvisualisasikan hasil dalam Microsoft Foundry.

Tanda Dagangan

Projek ini mungkin mengandungi tanda dagangan atau logo untuk projek, produk, atau perkhidmatan. Penggunaan tanda dagangan atau logo Microsoft yang dibenarkan tertakluk kepada dan mesti mengikut Garis Panduan Tanda Dagangan & Jenama Microsoft. Penggunaan tanda dagangan atau logo Microsoft dalam versi projek yang diubah suai tidak boleh menyebabkan kekeliruan atau menimbulkan tanggapan penajaan oleh Microsoft. Sebarang penggunaan tanda dagangan atau logo pihak ketiga tertakluk kepada polisi pihak ketiga tersebut.

Mendapatkan Bantuan

Jika anda menghadapi kesukaran atau mempunyai sebarang pertanyaan tentang membina aplikasi AI, sertai:

Jika anda ada maklum balas produk atau ralat semasa membina, lawati:

---

Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya perlu dianggap sebagai sumber yang sahih. Untuk maklumat kritikal, terjemahan profesional oleh manusia adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.