Phi-4-mini API

Phi-4-Mini API'si şunu temsil eder: MicrosoftPhi-4 serisindeki küçük dil modelleri alanındaki en son yeniliği, öncelikle şu konulara odaklanıyor: metin görevleri3.8 milyar parametreyi barındıran kompakt bir çerçeveye sahip olan Phi-4-Mini, yoğun kod çözücülü Transformatör mimarisi sayesinde hız ve verimlilikte öne çıkıyor.

Phi-4-Mini'nin Temel Özellikleri

The Phi-4-Mini modeli çeşitli görevleri yerine getirme yeteneği ile dikkat çekicidir; örneğin: metin muhakemesi, Matematiksel hesaplamalar, programlamave fonksiyon çağrıları. Nispeten küçük boyutuna rağmen, Phi-4-Mini şu alanlarda daha büyük dil modelleriyle rekabet eder ve genellikle onları geride bırakır:

• Metin Mantığı:Mantıksal işlem gerektiren görevlerde üstün performans göstererek, çok daha büyük parametrelere sahip modellere benzer bir performans sunar.
• Uzun Metinler İçin Kapsamlı Destek:128K token'a kadar dizileri işleyebilen Phi-4-Mini, kapsamlı metinleri verimli bir şekilde işlemek için idealdir.
• Ölçeklenebilir Fonksiyon Entegrasyonu:Phi-4-Mini'nin fonksiyon çağırma yetenekleri, harici araçlar, API'ler ve veri kaynaklarıyla kusursuz entegrasyona olanak tanır ve uygulama senaryolarındaki çok yönlülüğünü artırır.

Phi-4-Mini'nin Arkasındaki Teknik Prensipler

Phi-4-Mini'nin mimarisi, verimliliği ve uyarlanabilirliği en üst düzeye çıkarmayı amaçlayan gelişmiş teknik tasarıma dayanmaktadır:

• Trafo Mimarisi:Model, metin dizileri içindeki uzun vadeli bağımlılıkları etkili bir şekilde yönetmek için öz-dikkat mekanizmalarını kullanan, yalnızca kod çözücüye sahip bir Transformer çerçevesi üzerine kurulmuştur.
• Gruplandırılmış Sorgu Dikkati:Bu mekanizma, sorguları gruplandırılmış gruplar halinde işleyerek hesaplama verimliliğini artırır ve modelin paralel işleme kapasitesini güçlendirir.
• Paylaşılan Yerleştirme Stratejisi: Phi-4-Mini, giriş ve çıkış yerleştirmelerini paylaşarak parametre yükünü azaltır, görev uyumluluğunu ve operasyonel verimliliği artırır.

Bu mimari seçimler Phi-4-Mini'nin mükemmelliğe ulaşmasını sağlar doğal dil üretimi farklı kullanım durumlarında yüksek performansı korurken.

Veri ve Eğitim Ayrıntıları

Dil Eğitim Verileri

Phi-4-Mini için eğitim verileri, programlama görevlerinin performansını artırmak için özellikle dikkatlice düzenlenmiş kod veri kümeleri olmak üzere yüksek kaliteli muhakeme açısından zengin metin verileri içerir. Ön eğitim verileri, verilerin yüksek kalitesini ve çeşitliliğini sağlamak için filtreler ve veri karıştırma stratejileriyle iyileştirilir. Özellikle, ön eğitim verileri, Phi-5-Mini'den daha büyük ve daha yüksek kaliteli olan 3.5 trilyon jetonluk bir gövde içerir.

Görme-Dil Eğitimi Verileri

Phi-4-Multimodal'ın ön eğitim aşaması, iç içe geçmiş görüntü-metin belgeleri, görüntü-metin çiftleri, görüntü yerelleştirme verileri vb. dahil olmak üzere zengin görüntü-metin veri kümelerini içerir. Ön eğitim süreci, görsel ve metinsel öğeleri birleştiren 0.5 trilyon belirteç içerir. Gözetimli ince ayar (SFT) aşaması, doğal görüntü anlama, grafik, tablo ve diyagram akıl yürütme, PowerPoint analizi, OCR, çoklu görüntü karşılaştırması, video özetleme ve model güvenliği gibi görevleri kapsayan genel bir çok-modlu talimat-ayarlı veri kümesi ve büyük ölçekli bir dahili çok-modlu talimat-ayarlı veri kümesi kullanır.

Görsel-Konuşma Eğitim Verileri

Phi-4-Multimodal, hem tek kareli hem de çok kareli senaryoları kapsayan görsel-konuşma verileri üzerinde eğitildi. Verilerin yüksek kalitesi, kullanıcı sorgularının dahili bir metinden sese (TTS) motoru aracılığıyla metinden sese dönüştürülmesiyle sağlandı. Özellikle, araştırmacılar sesi yazıya dökmek ve orijinal metin ile yazıya dökme arasındaki kelime hata oranını (WER) hesaplamak için dahili bir ASR modeli kullandılar ve son görsel-konuşma verilerinin kalitesi WER filtrelemesi aracılığıyla sağlandı.

Konuşma ve Ses Eğitimi Verileri

Konuşma/ses özellikleri için eğitim verileri, otomatik konuşma tanıma (ASR) transkripsiyon verileri ve otomatik konuşma çevirisi (AST), konuşma soru cevaplama (SQA), konuşma özetleme (SSUM) ve ses anlama (AU) gibi çeşitli görevleri kapsayan eğitim sonrası verileri içerir. Eğitim öncesi veriler, 2 desteklenen dili kapsayan yaklaşık 8 milyon saatlik anonimleştirilmiş dahili konuşma-metin çiftlerini içerir. Eğitim sonrası veriler, ASR, AST, SQA, SQQA, SSUM ve AU gibi görevleri kapsayan yaklaşık 100 milyon dikkatlice düzenlenmiş konuşma ve ses SFT örneğini içerir.

İlgili konular:3'in En İyi 2025 Yapay Zeka Müzik Üretim Modeli

Optimum Dağıtım ve Uyumluluk

Phi-4-Mini için optimize edilmiştir platformlar arası uyumlulukÇeşitli bilgi işlem ortamlarında dağıtımı kolaylaştırarak:

• ONNXÇalışma Zamanı Optimizasyonu: Modelin düşük maliyetli, düşük gecikmeli ayarlarda verimli bir şekilde çalışmasını sağlar ve geniş platformlar arası uygulamaları destekler.
• Kaynak Kısıtlı Ortamlar:Hafif yapısı sayesinde Phi-4-Mini, kaynakların sınırlı olduğu uç bilişim dağıtımları için uygun olup, yeteneklerden ödün vermeden operasyonel verimliliği en üst düzeye çıkarır.

Eğitim Felsefesi ve Veri Kullanımı

Phi-4-Mini'nin eğitim süreci, onu güçlendirmek için yüksek kaliteli, çeşitli veri kümelerine odaklanarak titizlikle yürütülmektedir. muhakeme ve mantık işleme yetenekleri:

• Taranan Eğitim Verileri: Matematiksel ve programlama görev performansını geliştirmek için sentetik ve hedefli veri kümelerini birleştirir.
• Uyum ve Hassasiyet:Eğitim stratejisi, veri kalitesini ve çeşitliliğini vurgulayarak, modeli çeşitli uygulamalardaki karmaşık akıl yürütme görevlerine hazırlar.

Gerçek Dünya Kullanım Örnekleri

Phi-4-Mini, uyarlanabilirliğini ve faydasını sergileyerek çok sayıda senaryoda geniş uygulamalar sunar:

• Akıllı Cevap Sistemleri: Müşteri hizmetleri uygulamalarına uygun, doğru ve hızlı yanıtlar sağlayarak karmaşık soru-cevap görevlerinde olağanüstü performans gösterir.
• Programlama Yardımı: Geliştiricilere kod oluşturma ve test etme konusunda güçlü araçlar sunarak üretkenliği ve iş akışı verimliliğini artırır.
• Çok Dilli Yetenekler: Birden fazla dilde çeviri ve işlemeyi desteklediğinden, küresel dil hizmetleri ve kültürlerarası uygulamalar için idealdir.
• Edge Bilişim ve DağıtımTaşınabilir cihaz dağıtımı için optimize edilen Phi-4-Mini, verimli işlemin çok önemli olduğu uç bilişim senaryolarında başarılı olur.

Sonuç:

Yenilikçi tasarımı ve metin işleme görevlerindeki olağanüstü performansıyla Phi-4-Mini, küçük dil modeli teknolojisinde önemli bir ilerlemeyi temsil ediyor. Bu model, geliştiricilere ve AI kullanıcılarına önemli hesaplama kaynakları talep etmeden kapsamlı ve çeşitli uygulamaları yönetme yeteneğine sahip yüksek verimli bir araç sağlıyor. Microsoft'un Phi-4 serisi ilerledikçe, Phi-4-Mini'nin uyarlanabilirliği ve entegrasyon yetenekleri, gelişen AI manzaralarında sürekli alakalılığını ve kullanışlılığını garanti ediyor ve nihayetinde yapay zekadaki gelecekteki gelişmeler için temel bir kaynak görevi görüyor.

Bu Phi-4-Mini API'sini CometAPI'den nasıl çağırabilirim?

1.Log in cometapi.com'a. Eğer henüz kullanıcımız değilseniz, lütfen önce kayıt olun

2.Erişim kimlik bilgisi API anahtarını alın arayüzün. Kişisel merkezdeki API token'ında "Token Ekle"ye tıklayın, token anahtarını alın: sk-xxxxx ve gönderin.

3. Bu sitenin URL'sini alın: https://api.cometapi.com/

4. API isteğini göndermek için Phi-4-Mini uç noktasını seçin ve istek gövdesini ayarlayın. İstek yöntemi ve istek gövdesi şuradan elde edilir: web sitemizin API dokümanıWeb sitemizde ayrıca kolaylığınız için Apifox testi de bulunmaktadır.

5. Oluşturulan cevabı almak için API yanıtını işleyin. API isteğini gönderdikten sonra, oluşturulan tamamlamayı içeren bir JSON nesnesi alacaksınız.