Phi is een serie open source AI-modellen ontwikkeld door Microsoft.

Phi is momenteel het krachtigste en meest kosteneffectieve kleine taalmodel (SLM), met zeer goede benchmarks in meertaligheid, redeneren, tekst/chatgeneratie, coderen, afbeeldingen, audio en andere scenario's.

Je kunt Phi inzetten in de cloud of op edge-apparaten, en je kunt gemakkelijk generatieve AI-toepassingen bouwen met beperkte rekenkracht.

Volg deze stappen om te beginnen met het gebruik van deze bronnen:

1. Fork de repository: Klik
2. Clone de repository: git clone https://github.com/microsoft/PhiCookBook.git
3. Word lid van de Microsoft AI Discord-gemeenschap en ontmoet experts en mede-ontwikkelaars

Arabisch | Bengaals | Bulgaars | Birmaans (Myanmar) | Chinees (Vereenvoudigd) | Chinees (Traditioneel, Hong Kong) | Chinees (Traditioneel, Macau) | Chinees (Traditioneel, Taiwan) | Kroatisch | Tsjechisch | Deens | Nederlands | Ests | Fins | Frans | Duits | Grieks | Hebreeuws | Hindi | Hongaars | Indonesisch | Italiaans | Japans | Kannada | Khmer | Koreaans | Litouws | Maleis | Malayalam | Marathi | Nepalees | Nigeriaans Pidgin | Noors | Perzisch (Farsi) | Pools | Portugees (Brazilië) | Portugees (Portugal) | Punjabi (Gurmukhi) | Roemeens | Russisch | Servisch (Cyrillisch) | Slowaaks | Sloveens | Spaans | Swahili | Zweeds | Tagalog (Filipijns) | Tamil | Telugu | Thais | Turks | Oekraïens | Urdu | Vietnamees

Liever lokaal clonen?

Deze repository bevat 50+ vertalingen, wat de downloadgrootte aanzienlijk vergroot. Om zonder vertalingen te clonen, gebruik 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"

Dit geeft je alles wat je nodig hebt om de cursus te voltooien met een veel snellere download.

• Introductie

  • Welkom bij de Phi-familie
  • Je omgeving opzetten
  • Belangrijke technologieën begrijpen
  • AI-veiligheid voor Phi-modellen
  • Phi Hardware Ondersteuning
  • Phi-modellen & Beschikbaarheid op verschillende platformen
  • Gebruik van Guidance-ai en Phi
  • GitHub Marketplace Modellen
  • Azure AI Model Catalogus

• Inference Phi in verschillende omgevingen

  • Hugging face
  • GitHub Modellen
  • Microsoft Foundry Model Catalogus
  • Ollama
  • AI Toolkit VSCode (AITK)
  • NVIDIA NIM
  • Foundry Local

• Inference Phi Familie

  • Inference Phi op iOS
  • Inference Phi op Android
  • Inference Phi op Jetson
  • Inference Phi op AI PC
  • Inference Phi met Apple MLX Framework
  • Inference Phi op lokale server
  • Inference Phi op remote server met AI Toolkit
  • Inference Phi met Rust
  • Inference Phi--Vision lokaal
  • Inference Phi met Kaito AKS, Azure Containers (officiële ondersteuning)

• Quantificeren Phi Familie

  • Quantificeren Phi-3.5 / 4 met llama.cpp
  • Quantificeren Phi-3.5 / 4 met Generative AI extensies voor onnxruntime
  • Quantificeren Phi-3.5 / 4 met Intel OpenVINO
  • Quantificeren Phi-3.5 / 4 met Apple MLX Framework

• Evaluatie Phi

  • Verantwoorde AI
  • Microsoft Foundry voor Evaluatie
  • Gebruik van Promptflow voor Evaluatie

• RAG met Azure AI Search

  • Hoe Phi-4-mini en Phi-4-multimodal(RAG) te gebruiken met Azure AI Search

• Voorbeelden van Phi applicatieontwikkeling

  • Tekst & Chat Applicaties

    • Phi-4 Voorbeelden
      • [📓] Chatten met Phi-4-mini ONNX Model
      • Chat met Phi-4 lokaal ONNX Model .NET
      • Chat .NET Console App met Phi-4 ONNX met Semantic Kernel
    • Phi-3 / 3.5 Voorbeelden
      • Lokale chatbot in de browser met Phi3, ONNX Runtime Web en WebGPU
      • OpenVino Chat
      • Multi Model - Interactieve Phi-3-mini en OpenAI Whisper
      • MLFlow - Een wrapper bouwen en Phi-3 gebruiken met MLFlow
      • Modeloptimalisatie - Hoe het Phi-3-min model te optimaliseren voor ONNX Runtime Web met Olive
      • WinUI3-app met Phi-3 mini-4k-instruct-onnx -WinUI3 Multi Model AI Powered Notes App Voorbeeld
      • Fijn afstemmen en integreren van aangepaste Phi-3 modellen met Prompt flow
      • Fijn afstemmen en integreren van aangepaste Phi-3 modellen met Prompt flow in Microsoft Foundry
      • Beoordeel het fijn afgestemde Phi-3 / Phi-3.5 model in Microsoft Foundry met focus op Microsoft's principes voor Verantwoordelijke AI
      • [📓] Phi-3.5-mini-instruct taalvoorspellingsvoorbeeld (Chinees/Engels)
      • Phi-3.5-Instruct WebGPU RAG Chatbot
      • Windows GPU gebruiken om een Prompt flow-oplossing te maken met Phi-3.5-Instruct ONNX
      • Microsoft Phi-3.5 tflite gebruiken om Android-app te maken
      • Q&A .NET voorbeeld met lokaal ONNX Phi-3 model met Microsoft.ML.OnnxRuntime
      • Console chat .NET-app met Semantic Kernel en Phi-3

  • Azure AI Inference SDK Codegebaseerde Voorbeelden

    • Phi-4 Voorbeelden
      • [📓] Genereer projectcode met Phi-4-multimodaal
    • Phi-3 / 3.5 Voorbeelden
      • Bouw je eigen Visual Studio Code GitHub Copilot Chat met Microsoft Phi-3 Familie
      • Maak je eigen Visual Studio Code Chat Copilot Agent met Phi-3.5 door GitHub Modellen

  • Geavanceerde Redeneringsvoorbeelden

    • Phi-4 Voorbeelden
      • [📓] Phi-4-mini-redenering of Phi-4-redenering Voorbeelden
      • [📓] Fijn afstemmen Phi-4-mini-redenering met Microsoft Olive
      • [📓] Fijn afstemmen Phi-4-mini-redenering met Apple MLX
      • [📓] Phi-4-mini-redenering met GitHub Modellen
      • [📓] Phi-4-mini-redenering met Microsoft Foundry Modellen

  • Demo's

    • Phi-4-mini demos gehost op Hugging Face Spaces
    • Phi-4-multimodale demos gehost op Hugging Face Spaces

  • Vision Voorbeelden

    • Phi-4 Voorbeelden
      • [📓] Gebruik Phi-4-multimodaal om afbeeldingen te lezen en code te genereren
    • Phi-3 / 3.5 Voorbeelden
      • [📓]Phi-3-vision-Afbeelding tekst naar tekst
      • Phi-3-vision-ONNX
      • [📓]Phi-3-vision CLIP Embedding
      • DEMO: Phi-3 Recyclen
      • Phi-3-vision - Visuele taalassistent - met Phi3-Vision en OpenVINO
      • Phi-3 Vision Nvidia NIM
      • Phi-3 Vision OpenVino
      • [📓]Phi-3.5 Vision multi-frame of multi-image voorbeeld
      • Phi-3 Vision Lokaal ONNX Model met Microsoft.ML.OnnxRuntime .NET
      • Menu-gebaseerd Phi-3 Vision Lokaal ONNX Model met Microsoft.ML.OnnxRuntime .NET

  • Redenering-Vision Voorbeelden

    • Phi-4-Redenering-Vision-15B
      • [📓] Gebruik Phi-4-Redenering-Vision-15B om oversteken buiten het zebrapad te detecteren
      • [📓] Gebruik Phi-4-Redenering-Vision-15B voor wiskunde
      • [📓] Gebruik Phi-4-Redenering-Vision-15B om UI te detecteren

  • Wiskunde Voorbeelden

    • Phi-4-Mini-Flash-Redenering-Instruct Voorbeelden Wiskunde Demo met Phi-4-Mini-Flash-Redenering-Instruct

  • Audio Voorbeelden

    • Phi-4 Voorbeelden
      • [📓] Audio transcripties extraheren met Phi-4-multimodaal
      • [📓] Phi-4-multimodaal Audio Voorbeeld
      • [📓] Phi-4-multimodaal Spraakvertaling Voorbeeld
      • .NET console applicatie met Phi-4-multimodaal Audio om een audiobestand te analyseren en transcript te genereren

  • MOE Voorbeelden

    • Phi-3 / 3.5 Voorbeelden
      • [📓] Phi-3.5 Mixture of Experts Modellen (MoEs) Social Media Voorbeeld
      • [📓] Een Retrieval-Augmented Generation (RAG) Pipeline bouwen met NVIDIA NIM Phi-3 MOE, Azure AI Search en LlamaIndex

  • Function Calling Voorbeelden

    • Phi-4 Voorbeelden 🆕
      • [📓] Function Calling gebruiken met Phi-4-mini
      • [📓] Function Calling gebruiken om multi-agents te maken met Phi-4-mini
      • [📓] Function Calling gebruiken met Ollama
      • [📓] Function Calling gebruiken met ONNX

  • Multimodale Meng Voorbeelden

    • Phi-4 Voorbeelden 🆕
      • [📓] Phi-4-multimodaal gebruiken als technologiejournalist
      • .NET console applicatie met Phi-4-multimodaal om beelden te analyseren

• Fijn afstemmen Phi Voorbeelden

  • Fijn afstemmen scenario's
  • Fijn afstemmen versus RAG
  • Fijn afstemmen Laat Phi-3 een industrie-expert worden
  • Fijn afstemmen Phi-3 met AI Toolkit voor VS Code
  • Fijn afstemmen Phi-3 met Azure Machine Learning Service
  • Fijn afstemmen Phi-3 met Lora
  • Fijn afstemmen Phi-3 met QLora
  • Fijn afstemmen Phi-3 met Microsoft Foundry
  • Fijn afstemmen Phi-3 met Azure ML CLI/SDK
  • Fijn afstemmen met Microsoft Olive
  • Fijn afstemmen met Microsoft Olive Hands-On Lab
  • Fijn afstemmen Phi-3-vision met Weights and Bias
  • Fijn afstemmen Phi-3 met Apple MLX Framework
  • Fijn afstemmen Phi-3-vision (officiële ondersteuning)
  • Fijn afstemmen van Phi-3 met Kaito AKS, Azure Containers (officiële ondersteuning)
  • Fijn afstemmen van Phi-3 en 3.5 Vision

• Praktijklab

  • Verkennen van geavanceerde modellen: LLM's, SLM's, lokale ontwikkeling en meer
  • NLP-potentieel ontgrendelen: Fijn afstemmen met Microsoft Olive

• Academische Onderzoeksartikelen en Publicaties

  • Leerboeken zijn alles wat je nodig hebt II: phi-1.5 technisch rapport
  • Phi-3 Technisch Rapport: Een zeer capabel taalmodel lokaal op je telefoon
  • Phi-4 Technisch Rapport
  • Phi-4-Mini Technisch Rapport: Compacte maar krachtige multimodale taalmodellen via Mixture-of-LoRAs
  • Optimalisatie van kleine taalmodellen voor in-voertuig functie-aanroepen
  • (WhyPHI) Fijn afstemmen van PHI-3 voor meerkeuzevragen: Methodologie, resultaten en uitdagingen
  • Phi-4-redenering Technisch Rapport
  • Phi-4-mini-redenering Technisch Rapport

Je kunt leren hoe je Microsoft Phi gebruikt en hoe je end-to-end oplossingen bouwt op je verschillende hardware-apparaten. Om Phi zelf te ervaren, begin met het uitproberen van de modellen en het aanpassen van Phi aan jouw scenario’s via de Microsoft Foundry Azure AI Model Catalog. Je kunt meer leren in de introductie met Microsoft Foundry

Speelomgeving Elk model heeft een speciale speelomgeving om het model te testen Azure AI Playground.

Je kunt leren hoe je Microsoft Phi gebruikt en hoe je end-to-end oplossingen bouwt op je verschillende hardware-apparaten. Om Phi zelf te ervaren, begin met het uitproberen van het model en het aanpassen van Phi aan jouw scenario’s via de GitHub Model Catalog. Je kunt meer leren in de introductie met GitHub Model Catalog

Speelomgeving Elk model heeft een speciale speelomgeving om het model te testen.

Je kunt het model ook vinden op Hugging Face

Speelomgeving Hugging Chat speelomgeving

Ons team produceert ook andere cursussen! Bekijk:

Microsoft zet zich in om onze klanten te helpen onze AI-producten verantwoordelijk te gebruiken, onze ervaringen te delen en op vertrouwen gebaseerde partnerschappen op te bouwen via tools zoals Transparantienotities en Impactbeoordelingen. Veel van deze bronnen zijn te vinden op https://aka.ms/RAI. De aanpak van Microsoft voor verantwoorde AI is gebaseerd op onze AI-principes van eerlijkheid, betrouwbaarheid en veiligheid, privacy en beveiliging, inclusiviteit, transparantie en verantwoordelijkheid.

Grootschalige natuurlijke taal-, beeld- en spraakmodellen - zoals degene die in dit voorbeeld worden gebruikt - kunnen zich mogelijk op een oneerlijke, onbetrouwbare of aanstootgevende manier gedragen, wat kan leiden tot schade. Raadpleeg de Azure OpenAI service Transparantienotitie om geïnformeerd te worden over risico’s en beperkingen. De aanbevolen aanpak om deze risico's te beperken is het opnemen van een veiligheidssysteem in uw architectuur dat schadelijk gedrag kan detecteren en voorkomen. Azure AI Content Safety biedt een onafhankelijke beschermingslaag, die schadelijke door gebruikers en AI gegenereerde inhoud in toepassingen en diensten kan detecteren. Azure AI Content Safety bevat tekst- en afbeeldings-API's die u in staat stellen materiaal te detecteren dat schadelijk is. Binnen Microsoft Foundry stelt de Content Safety-service u in staat voorbeeldcode te bekijken, te verkennen en uit te proberen voor het detecteren van schadelijke inhoud over verschillende modaliteiten. De volgende quickstart documentatie begeleidt u bij het maken van verzoeken aan de service.

Een ander aspect om rekening mee te houden is de algehele prestatie van de applicatie. Bij multi-modale en multi-modelapplicaties verstaan we onder prestatie dat het systeem presteert zoals u en uw gebruikers verwachten, inclusief het niet genereren van schadelijke outputs. Het is belangrijk de prestaties van uw algehele applicatie te beoordelen met behulp van Performance and Quality and Risk and Safety evaluators. U heeft ook de mogelijkheid om te creëren en evalueren met aangepaste evaluators.

U kunt uw AI-toepassing evalueren in uw ontwikkelomgeving met behulp van de Azure AI Evaluation SDK. Gegeven een testdataset of een doel worden uw generatieve AI-toepassingsgeneraties kwantitatief gemeten met ingebouwde evaluators of aangepaste evaluators naar keuze. Om aan de slag te gaan met de azure ai evaluation sdk om uw systeem te evalueren, kunt u de quickstart gids volgen. Zodra u een evaluatieronde uitvoert, kunt u de resultaten visualiseren in Microsoft Foundry.

Dit project kan handelsmerken of logo's bevatten voor projecten, producten of diensten. Het geautoriseerde gebruik van Microsoft-handelsmerken of logo's is onderworpen aan en moet voldoen aan de Microsoft's Trademark & Brand Guidelines.
Gebruik van Microsoft-handelsmerken of logo's in gewijzigde versies van dit project mag geen verwarring veroorzaken of impliceren dat Microsoft het sponsort. Elk gebruik van handelsmerken of logo's van derden is onderworpen aan het beleid van die derden.

Als u vastloopt of vragen hebt over het bouwen van AI-apps, sluit u aan bij:

Als u productfeedback of fouten hebt tijdens het bouwen, bezoek dan:

Disclaimer:
Dit document is vertaald met behulp van de AI vertaaldienst Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat automatische vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet als de gezaghebbende bron worden beschouwd. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.