引言

微软于7月2日发布了Phi-3-mini更新后的模型文件，不过微软官方文档中提到这是6月份的更新。更新后的模型在多方面能力得到了增强。

信息来源：https://huggingface.co/microsoft/Phi-3-mini-128k-instruct

使用指南

Ollama使用指南

Ollama上也更新了Phi-3模型，已下载Phi-3模型的朋友，记得使用ollama pull [模型名称]命令进行升级。

https://ollama.com/library/phi3/tags

https://github.com/microsoft/Phi-3CookBook/blob/main/md/02.QuickStart/Ollama_QuickStart.md

这里，还推荐另一个模型下载链接：

bartowski/Phi-3.1-mini-4k-instruct-GGUF · Hugging Face

https://huggingface.co/bartowski/Phi-3.1-mini-4k-instruct-GGUF

可以在LM Studio或Jan AI中搜索并下载以上提到的模型。

LM Studio使用指南

https://github.com/microsoft/Phi-3CookBook/blob/main/md/02.QuickStart/LMStudio_QuickStart.md

Phi-3 模型系列概览

Microsoft Phi-3 Cookbook：新手友好的学习资源

链接：https://github.com/microsoft/Phi-3CookBook

第一个文件：01.Introduce/EnvironmentSetup.md就详细介绍了设置过程。

适合新手，微软提供了一个 Ollama Python Playground，不需要占用本地电脑资源，可以快速上手。

可以在 GitHub Codespaces 中通过在浏览器中轻松尝试 SLM（小型语言模型）。

结语

Phi-3模型系列的最新更新带来了多方面的性能提升，特别是在长文本理解、指令遵循和结构化输出等方面。

微软不仅提供了多种使用途径，如Ollama和LM Studio，还推出了详尽的Phi-3 Cookbook，为用户提供了全面的学习和实践指南。

这些举措大大降低了使用门槛，使得不同背景的用户都能快速上手。

欢迎在评论区分享你对Phi-3模型系列的看法和使用经验，让我们一起交流进步。

如果你觉得这篇文章对你有帮助，请点赞、转发、收藏。

术语解释

1. SLM (Small Language Model)：小型语言模型，相对于GPT-3等大型模型，参数量较少但在特定任务上表现出色的模型。

2. SFT (Supervised Fine-Tuning)：监督微调，通过使用标记好的数据集对预训练模型进行进一步训练，使其适应特定任务。

3. DPO (Direct Preference Optimization)：直接偏好优化，一种训练方法，通过直接学习人类偏好来改进模型输出质量。

4. GGUF (GPT-Generated Unified Format)：一种用于存储和分发语言模型的文件格式，旨在提高模型的兼容性和易用性。

5. Flash Attention：一种优化注意力机制计算的技术，可以显著提高大型语言模型的训练和推理速度。

6. Tokenizer：分词器，负责将文本分割成更小的单位(称为token)，是模型处理文本的第一步。

7. Context Length：上下文长度，指模型一次能处理的最大token数量，影响模型理解长文本的能力。

8. Fine-tuning：微调，指在预训练模型的基础上，使用特定任务的数据进行进一步训练的过程。

9. Instruction Tuning：指令微调，通过给予模型明确的指令来改进其执行特定任务的能力。