Przejdź do treści

Szczegóły modelu

Phi-3.5-mini-instruct

Status: AktywnyW trendach Hugging FaceModel lokalny

Dostawca: Microsoft →Dodaj do porównania

Profil techniczny

Kluczowe dane modelu

Pokazujemy wyłącznie dostępne, potwierdzone informacje.

Modalność
Tekst → tekst
Format wag
SafetensorsBF16
Architektura
Phi3konfiguracja modelu
Główne zadanie
Generowanie tekstu
Biblioteka
Transformers
Publiczne warianty: 1 · źródło: Hugging Face Hub Models API · rewizja 2fe1924501… · weryfikacja: 2026-08-09Zobacz warianty i źródła →

Opis modelu

?Phi-4: [multimodal-instruct | onnx]; [mini-instruct | onnx] Phi-3.5-mini to lekki, nowoczesny model otwarty oparty na zbiorach danych używanych dla Phi-3 – danych syntetycznych i filtrowanych publicznie dostępnych stron internetowych – z naciskiem na bardzo wysoką jakość, gęste dane rozumujące. Model należy do rodziny modeli Phi-3 i obsługuje długość kontekstu 128K tokenów. Model przeszedł rygorystyczny proces ulepszania, obejmujący zarówno nadzorowane dostrajanie, optymalizację polityki bliskiej, jak i bezpośrednią optymalizację preferencji, aby zapewnić precyzyjne przestrzeganie instrukcji i solidne środki bezpieczeństwa. ? Portal Phi-3 ? Blog Microsoftu o Phi-3 ? Raport techniczny Phi-3 ?‍? Książka kucharska Phi-3 ?️ Wypróbuj Phi-3.5: [mini-instruct | onnx]; [[MoE-instruct]](https://huggingface.co/microsoft/Phi-3.5-MoE-instruct); [[vision-instruct]](https://huggingface.co/microsoft/Phi-3.5-vision-instruct) Model jest przeznaczony do użytku komercyjnego i badawczego w wielu językach. Model zapewnia zastosowania dla ogólnych systemów AI i aplikacji, które wymagają: 1) Środowisk ograniczonych pamięcią/obliczeniami

  1. Scenariuszy ograniczonych latencją
  2. Silnego rozumowania (szczególnie w zakresie kodu, matematyki i logiki) Nasz model jest zaprojektowany, aby przyspieszyć badania nad modelami językowymi i multimodalnymi, jako element budulcowy dla funkcji zasilanych AI generatywnym. Nasze modele nie są specjalnie zaprojektowane ani oceniane do wszystkich zastosowań końcowych. Deweloperzy powinni rozważyć powszechne ograniczenia modeli językowych przy wyborze przypadków użycia oraz ocenić i łagodzić kwestie związane z dokładnością, bezpieczeństwem i sprawiedliwością przed użyciem w konkretnym przypadku użycia, szczególnie w scenariuszach wysokiego ryzyka. Deweloperzy powinni być świadomi i przestrzegać obowiązujących przepisów prawnych (w tym przepisów dotyczących prywatności, zgodności handlowej itp.), które są istotne dla ich przypadku użycia.

Warianty do uruchomienia

WariantFormatRozmiar wagŹródło i weryfikacja
3,8B · SAFETENSORS
Manifest plików (3)
  • model.safetensors.index.jsonindex · 0,0 GB
  • model-00001-of-00002.safetensorsweights · 5,0 GB
  • model-00002-of-00002.safetensorsweights · 2,7 GB
SAFETENSORS7,6 GB2 shardówHugging Face Hub Models APIWeryfikacja: 2026-08-09

Ostatnia aktualizacja: 2026-08-18

Szybka opinia

Czy ten model pomógł Ci w realnym zadaniu? To zajmuje jedno kliknięcie. Szczegółowa ocena jest opcjonalna.

Brak szybkich opinii.

Zaloguj się, aby oddać szybką opinię.

Ocena użytkowników

Brak ocen użytkowników. Wynik AI-TOP pozostaje odrębną miarą techniczną.

API i ceny

Ceny API są źródłowymi stawkami dostawcy, przeliczonymi na PLN według ostatniego zapisanego kursu średniego USD NBP. Stawki tokenowe pokazujemy za 1 mln tokenów. Dla obrazu, wyszukiwania, cache, reasoning i żądań zachowujemy jednostkę przekazaną przez API.

Ceny są przeliczone na PLN według ostatniego zapisanego średniego kursu NBP USD z 2026-08-17.

Brak aktualnej, porównywalnej oferty API.

Język polski

Wsparcie języka polskiego: deklarowane. Jakość języka polskiego: NIEZWERYFIKOWANA.

Dyskusja o modelu

Komentarze dotyczące praktycznego użycia tego modelu.

Nie ma jeszcze zatwierdzonych komentarzy.

Zaloguj się, aby komentować.

Historia modelu

Wykres pokazuje wyłącznie porównywalne punkty głównego rankingu. Tabela zawiera wynik, pozycję, dane źródłowe i stan każdego dnia.

Brak danych porównywalnych

Historia wyniku AI-TOP

Wykres pojawi się po zapisaniu co najmniej dwóch porównywalnych pomiarów.

Brak zapisanych obserwacji tego modelu.

Dane historii w formacie JSON