Phi Cookbook: Praktiske eksempler med Microsofts Phi-modeller

April 23, 2026 · View on GitHub

Phi er en serie med åpne AI-modeller utviklet av Microsoft.

Phi er for øyeblikket den mest kraftfulle og kostnadseffektive lille språkmodellen (SLM), med svært gode benchmarks innen flerspråklighet, resonnering, tekst-/chatgenerering, koding, bilder, lyd og andre scenarier.

Du kan distribuere Phi i skyen eller til edge-enheter, og du kan enkelt bygge generative AI-applikasjoner med begrenset datakraft.

Følg disse stegene for å komme i gang med å bruke disse ressursene:

Fork depotet: Klikk
Klon depotet: git clone https://github.com/microsoft/PhiCookBook.git
Bli med i Microsoft AI Discord-community og møt eksperter og andre utviklere

cover

🌐 Flerspråklig støtte

Støttet via GitHub Action (Automatisert & alltid oppdatert)

Foretrekker du å klone lokalt?

Dette depotet inkluderer 50+ språkoversettelser som betydelig øker nedlastingsstørrelsen. For å klone uten oversettelser, bruk 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"
Dette gir deg alt du trenger for å fullføre kurset med mye raskere nedlasting.

Innholdsfortegnelse

Introduksjon
Inferens Phi i forskjellige miljøer
Inferens Phi-familien
Kvantifisere Phi-familien
Evaluering Phi
RAG med Azure AI Search
- Hvordan bruke Phi-4-mini og Phi-4-multimodal (RAG) med Azure AI Search
Phi applikasjonsutviklingseksempler
- Tekst- og chatteapplikasjoner
  - Phi-4 eksempler
  - Phi-3 / 3.5 eksempler
- Azure AI Inference SDK kodebaserte eksempler
  - Phi-4 Eksempler
    - [📓] Generer prosjektkode med Phi-4-multimodal
  - Phi-3 / 3.5 Eksempler
    - Bygg din egen Visual Studio Code GitHub Copilot Chat med Microsoft Phi-3-familien
    - Lag din egen Visual Studio Code Chat Copilot Agent med Phi-3.5 ved bruk av GitHub-modeller
- Avanserte resonneringseksempler
  - Phi-4 Eksempler
- Demoer
  - Phi-4-mini demoer hostet på Hugging Face Spaces
  - Phi-4-multimodal demoer hostet på Hugging Face Spaces
- Visjons-eksempler
  - Phi-4 Eksempler
    - [📓] Bruk Phi-4-multimodal til å lese bilder og generere kode
  - Phi-3 / 3.5 Eksempler
- Reasoning-Vision eksempler
  - Phi-4-Reasoning-Vision-15B
- Matematikk-eksempler
  - Phi-4-Mini-Flash-Reasoning-Instruct Eksempler Matematikk-demo med Phi-4-Mini-Flash-Reasoning-Instruct
- Lyd-eksempler
  - Phi-4 Eksempler
- MOE Eksempler
  - Phi-3 / 3.5 Eksempler
- Funksjonskall-eksempler
  - Phi-4 Eksempler 🆕
    - [📓] Bruke funksjonskall med Phi-4-mini
    - [📓] Bruke funksjonskall til å lage multi-agenter med Phi-4-mini
    - [📓] Bruke funksjonskall med Ollama
    - [📓] Bruke funksjonskall med ONNX
- Multimodal Blandings-eksempler
  - Phi-4 Eksempler 🆕
    - [📓] Bruke Phi-4-multimodal som teknologi-journalist
    - .NET konsollapplikasjon som bruker Phi-4-multimodal for å analysere bilder
Finjustering av Phi-eksempler
Praktisk lab
- Utforske banebrytende modeller: LLMer, SLMer, lokal utvikling og mer
- Lås opp NLP-potensial: Finjustering med Microsoft Olive
Akademiske forskningsartikler og publikasjoner

Bruke Phi-modeller

Phi på Microsoft Foundry

Du kan lære hvordan du bruker Microsoft Phi og hvordan bygge ende-til-ende-løsninger på dine forskjellige maskinvareenheter. For å oppleve Phi selv, start med å leke med modellene og tilpasse Phi for dine scenarier ved hjelp av Microsoft Foundry Azure AI Model Catalog. Du kan lære mer i Komme i gang med Microsoft Foundry

Lekeplass Hver modell har en dedikert lekeplass for å teste modellen Azure AI Playground.

Phi på GitHub-modeller

Du kan lære hvordan du bruker Microsoft Phi og hvordan bygge ende-til-ende-løsninger på dine forskjellige maskinvareenheter. For å oppleve Phi selv, start med å leke med modellen og tilpasse Phi for dine scenarier ved hjelp av GitHub Model Catalog. Du kan lære mer i Komme i gang med GitHub Model Catalog

Lekeplass Hver modell har en dedikert lekeplass for å teste modellen.

Phi på Hugging Face

Du kan også finne modellen på Hugging Face

Lekeplass Hugging Chat lekeplass

🎒 Andre kurs

Vårt team produserer andre kurs! Ta en titt på:

LangChain

Azure / Edge / MCP / Agenter

Generativ AI-serie

Kjerneopplæring

Copilot-serie

Ansvarlig AI

Microsoft er forpliktet til å hjelpe våre kunder med å bruke våre AI-produkter ansvarlig, dele våre erfaringer, og bygge tillitsbaserte partnerskap gjennom verktøy som Transparency Notes og Impact Assessments. Mange av disse ressursene finnes på https://aka.ms/RAI. Microsofts tilnærming til ansvarlig AI er forankret i våre AI-prinsipper om rettferdighet, pålitelighet og sikkerhet, personvern og sikkerhet, inkludering, åpenhet og ansvarlighet.

Store naturlige språk-, bilde- og tale-modeller – som de som brukes i dette eksempelet – kan potensielt opptre på måter som er urettferdige, upålitelige eller støtende, og dermed forårsake skade. Vennligst konsulter Azure OpenAI-tjenestens Transparency note for å bli informert om risiko og begrensninger. Den anbefalte tilnærmingen for å redusere disse risikoene er å inkludere et sikkerhetssystem i arkitekturen din som kan oppdage og forhindre skadefull oppførsel. Azure AI Content Safety gir et uavhengig beskyttelseslag, i stand til å oppdage skadelig innhold generert av brukere og AI i applikasjoner og tjenester. Azure AI Content Safety inkluderer tekst- og bilde-APIer som lar deg oppdage materiell som er skadelig. Innen Microsoft Foundry lar Content Safety-tjenesten deg se, utforske og prøve ut eksempel-kode for å oppdage skadelig innhold på tvers av forskjellige modaliteter. Følgende kom-i-gang-dokumentasjon veileder deg gjennom det å sende forespørsler til tjenesten.

Et annet aspekt å ta i betraktning er den overordnede applikasjonsytelsen. Med multimodale og multimodells applikasjoner, anser vi ytelse som at systemet presterer slik du og brukerne dine forventer, inkludert at det ikke genererer skadelige utdata. Det er viktig å vurdere ytelsen til hele applikasjonen din ved å bruke Performance and Quality and Risk and Safety evaluators. Du har også muligheten til å lage og evaluere med egendefinerte evaluatorer.

Du kan evaluere AI-applikasjonen din i utviklingsmiljøet ved hjelp av Azure AI Evaluation SDK. Gitt enten et testdatasett eller et mål, blir generasjoner fra din generative AI-applikasjon kvantitativt målt med innebygde evaluatorer eller egendefinerte evaluatorer etter eget valg. For å komme i gang med Azure AI Evaluation SDK for å evaluere systemet ditt, kan du følge kom-i-gang-guiden. Når du har kjørt en evaluering, kan du visualisere resultatene i Microsoft Foundry.

Varemerker

Dette prosjektet kan inneholde varemerker eller logoer for prosjekter, produkter eller tjenester. Autorisert bruk av Microsofts varemerker eller logoer er underlagt og må følge Microsofts retningslinjer for varemerker og merkevare. Bruk av Microsoft-varemerker eller logoer i modifiserte versjoner av dette prosjektet må ikke skape forvirring eller gi inntrykk av Microsoft-sponsing. Enhver bruk av tredjeparts varemerker eller logoer er underlagt de respektive tredjepartsretningslinjene.

Få hjelp

Hvis du står fast eller har spørsmål om å bygge AI-apper, bli med i:

Hvis du har produktfeedback eller feil under utvikling, besøk:

Ansvarsfraskrivelse: Dette dokumentet har blitt oversatt ved hjelp av AI-oversettingstjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på sitt opprinnelige språk bør betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for misforståelser eller feiltolkninger som oppstår fra bruken av denne oversettelsen.