ДаліНаступний посібник
Microsoft Copilot for Education
Компанії
ГІД компаній
Microsoft Фі
Microsoft’s Phi family includes small language models with version-specific training data, sizes, modalities, and licenses.
Послухайте цей посібникШІ-розказаний · ~2 min
На цій сторінці2 хвилини читання
Огляд
Published Phi research studies curated and synthetic data, but does not show that data quality always outweighs model scale across tasks.
Глибоке занурення
Phi-1 was a 1.3-billion-parameter code model trained on selected web data plus synthetic textbooks and exercises generated with GPT-3.5, according to its paper. Microsoft later described Phi-2 as a 2.7-billion-parameter model in a research blog and model card. The Phi-3 technical report describes Phi-3-mini at 3.8 billion parameters, including context variants, and introduces Phi-3.5-mini, Phi-3.5-MoE, and Phi-3.5-Vision. Phi-3.5-Vision accepts image and text prompts; the MoE variant uses a mixture-of-experts architecture. Performance, licensing, and deployment fit depend on the exact version and evaluation setup; small parameter count alone does not guarantee that a model runs efficiently on every laptop or phone. Phi-1’s “Textbooks Are All You Need” title refers to a specific coding-model experiment that compared curated and synthetic data recipes; it does not establish a universal data-quality-over-scale law. Compact Phi checkpoints may be deployable locally when hardware and runtime support them, but size alone guarantees neither privacy nor latency or quality. The Phi-3-mini materials list 4K and 128K context variants. Phi-3.5-Vision supports single-image and multi-image prompts, while Phi-3.5-MoE uses sparse routing that activates a subset of experts for each token. These facts are specific to the cited checkpoints.
Реалізація в реальному світі
Review Phi-1’s paper when studying synthetic textbook-style data for code generation.
Check each checkpoint’s model card before local or on-device deployment.
Use a documented Phi-3 context variant when the task needs longer input.
Use a vision-capable checkpoint only after verifying its supported image inputs and runtime requirements.
Майбутнє Microsoft Phi
Microsoft continues to publish small-model variants and model cards. Compare a Phi checkpoint on the target tasks and hardware, and avoid generalizing benchmark results or deployment claims across the entire family.
Застосування на практиці
Чому це важливо
- Стратегія постачальника. Дорожні карти постачальників впливають на те, які функції ваша команда може створити далі.
- Вартість і бюджет. Комерційні умови та варіанти розгортання впливають на довгострокову вартість і ризик.
- Ризики та безпека. Стимули компанії формують стандарти продукту, безпеку та відкритість.
Зверніть увагу на
- Оголошення про запуск можуть випереджати стабільність у реальних робочих процесах виробництва.
- Зміни в ціноутворенні API або в політиці можуть миттєво порушити припущення.
- Залежність від одного постачальника збільшує витрати на блокування та міграцію.
Наступні кроки
- Оцініть постачальників за допомогою власних завдань і наборів даних.
- Перегляньте умови конфіденційності, безпеки та юридичні умови перед інтеграцією.
- Підтримуйте запасний план для різних моделей або постачальників.
- Слідкуйте за примітками до випуску, щоб зміни дорожньої карти не здивували команди.
Продовжуйте досліджувати
Безплатний розсилок
Отримуйте щоденне зведення новин про ШІ
Три перевірені історії про ШІ щоробочого ранку, написані простою мовою. Безплатно назавжди, без реклами.
Один лист щотижня з понеділка по п'ятницю. Відписатися в один клік. Ми ніколи не продаємо та не передаємо вашу адресу.
Перевір себе
Take the Microsoft Phi quiz
Миттєва зворотна связь на кожну відповідь та сертифікат із перевіреним ідентифікатором, яким можна поділитися, після проходження курсу.
Підтримайте безплатну освіту у сфері ШІ. AI Understanding — це некомерційна організація 501(c)(3) — без реклами, без платних стін, назавжди. Зробіть пожертву
Часті запитання
Що таке Microsoft Phi?
Microsoft’s Phi family includes small language models with version-specific training data, sizes, modalities, and licenses. Published Phi research studies curated and synthetic data, but does not show that data quality always outweighs model scale across tasks.
Яка основна теза, що лежить в основі моделей Phi, викладена у відомій назві статті?
“Textbooks Are All You Need” is the Phi-1 paper title. Its experiments studied Phi-1’s training data recipe and performance on coding tasks; this result is not a general proof that data quality matters more than scale for every model.
Скільки приблизно параметрів має Phi-3-mini?
Phi-3-mini має близько 3,8 мільярдів параметрів, що робить його досить малим, щоб працювати на телефоні, але при цьому має високу продуктивність.
What synthetic-data source did the Phi-1 paper report using for textbooks and exercises?
The Phi-1 paper reports combining selected web data with synthetic textbooks and exercises generated using GPT-3.5; this describes that model’s training recipe.
До якої категорії моделі відноситься "SLM", що використовується для Phi?
Phi описується як невелика мовна модель (SLM), що підкреслює можливості при компактному розмірі.
What may a compact Phi checkpoint enable when its hardware and runtime support it?
A smaller checkpoint may make local deployment feasible on suitable hardware. Size alone does not guarantee latency, privacy, or performance; runtime, memory, quantization, and the application matter.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми