Phi

Jaki problem rozwiązuje Phi?

Część zadań wymaga nie erudycji, a poprawnego przejścia kilku kroków: sprawdź warunek, policz, porównaj z progiem, zdecyduj. Duży model to zrobi, tylko odpowiada wolniej i kosztuje przy każdym wywołaniu, a przy tysiącu rekordów oba te czynniki stają się problemem. Phi to seria małych modeli projektowanych właśnie pod rozumowanie krok po kroku, więc mieszczą się na skromniejszym sprzęcie i odpowiadają szybciej.

Kluczowe możliwości Phi

Nastawienie na rozumowanie — modele trenowano na starannie dobranych danych pod zadania wymagające wnioskowania, nie pod maksymalny zasób wiedzy.

Mały rozmiar — działają na sprzęcie, na którym duże modele nie ruszą, co obniża koszt jednego wywołania i skraca czas odpowiedzi.

Kilka odmian — wariant tekstowy, wersja mieszanych ekspertów do trudniejszych zadań oraz odmiana analizująca obrazy i wideo.

Praca wielojęzyczna — modele obsługują wiele języków, choć przy polszczyźnie warto porównać wynik z modelem trenowanym lokalnie.

Dwie drogi uruchomienia — przez Azure AI Foundry albo lokalnie z pobranych wag.

Dla kogo jest Phi?

Dla zespołów przetwarzających dane wsadowo, gdzie czas odpowiedzi przemnożony przez liczbę rekordów decyduje o tym, czy proces zmieści się w oknie nocnym. Dla firm już pracujących na Azure, gdzie model jest kolejnym elementem tej samej infrastruktury. Dla zadań na urządzeniach o ograniczonych zasobach.

Czym wyróżnia się Phi?

Podejściem do treningu: jakość danych zamiast ich ilości, po to, by mały model radził sobie z zadaniami zarezerwowanymi dla większych. W praktyce oznacza to sensowny wybór wtedy, gdy zadanie wymaga logiki, a nie znajomości faktów.