மைக்ரோசாஃப்ட் ஃபை: AI-ல் சிறிய மொழி மாதிரிகளின் முன்னேற்றம்
Azure AI Foundry இல் Phi-3 ஐ வெளியிட்ட ஒரு வருடம் கழித்து, மைக்ரோசாஃப்ட் அதன் அடுத்த தலைமுறை சிறிய மொழி மாதிரிகளை (SLM) அறிமுகப்படுத்தியுள்ளது: Phi-4-reasoning, Phi-4-reasoning-plus மற்றும் Phi-4-mini-reasoning. இந்த கண்டுபிடிப்புகள் SLM களுக்கு ஒரு திருப்புமுனையாக அமைகின்றன. சிறிய மற்றும் திறமையான AI மூலம் என்ன சாதிக்க முடியும் என்பதை இது மறுவரையறை செய்கிறது.
ஃபை-ரீசனிங் மாதிரிகளின் விடியல்
புதிய ஃபை-ரீசனிங் மாதிரிகள் சிக்கலான பணிகளுக்கு அனுமான நேர அளவை பயன்படுத்தும் வகையில் வடிவமைக்கப்பட்டுள்ளன. இந்த மாதிரிகள் கணித ரீசனிங்கில் விதிவிலக்கான திறன்களை நிரூபிக்கின்றன, மேலும் சிக்கலான மற்றும் பலதரப்பட்ட பணிகளைக் கையாளும் ஏஜென்ட் போன்ற பயன்பாடுகளுக்கு அவை ஒரு அடித்தளமாக அமைகின்றன. வரலாற்று ரீதியாக, இத்தகைய திறன்கள் கணிசமாக பெரிய மாதிரிகளுக்கு மட்டுமே இருந்தன. ஃபை-ரீசனிங் மாதிரிகள் SLM களின் புதிய வகையை அறிமுகப்படுத்துகின்றன, அவை அளவு மற்றும் செயல்திறனுக்கு இடையே ஒரு சமநிலையை உருவாக்க டிஸ்டிலேஷன், ரீஇன்ஃபோர்ஸ்மென்ட் லேர்னிங் மற்றும் உயர்தர தரவைப் பயன்படுத்துகின்றன. அவற்றின் சிறிய அளவு குறைந்த லேட்டன்சி சூழல்களுக்கு ஏற்றதாக அமைகிறது, அதே நேரத்தில் அவற்றின் வலுவான ரீசனிங் திறன்கள் பெரிய மாதிரிகளுக்கு சவால் விடுகின்றன. திறன் மற்றும் திறமையின் இந்த கலவையானது, குறைந்த வளங்களைக் கொண்ட சாதனங்கள் கூட சிக்கலான ரீசனிங் பணிகளை திறம்பட செயல்படுத்த அனுமதிக்கிறது.
ஃபை-4-ரீசனிங் மற்றும் ஃபை-4-ரீசனிங்-பிளஸ்: ஒரு ஆழமான பார்வை
ஃபை-4-ரீசனிங்: திறந்த எடை ரீசனிங் மாதிரி
ஃபை-4-ரீசனிங் 14 பில்லியன் அளவுருக்கள் கொண்ட ஒரு திறந்த எடை ரீசனிங் மாதிரியாக தனித்து நிற்கிறது. இது சிக்கலான ரீசனிங் பணிகளில் பெரிய மாதிரிகளுடன் போட்டியிடும் வகையில் வடிவமைக்கப்பட்டுள்ளது. இந்த மாதிரி OpenAI இன் o3-mini இலிருந்து பெறப்பட்ட உன்னிப்பாக தொகுக்கப்பட்ட ரீசனிங் எடுத்துக்காட்டுகளில் Phi-4 இன் மேற்பார்வையிடப்பட்ட ஃபைன் ட்யூனிங் மூலம் பயிற்சி அளிக்கப்பட்டது. ஃபை-4-ரீசனிங் விரிவான ரீசனிங் சங்கிலிகளை உருவாக்குகிறது, இது அனுமானத்தின் போது கூடுதல் கணக்கீட்டு நேரத்தை திறம்பட பயன்படுத்துகிறது. துல்லியமான தரவு க்யூரேஷன் மற்றும் உயர்தர செயற்கை தரவுத்தொகுப்புகள் சிறிய மாதிரிகளுக்கு பெரிய மாதிரிகளுடன் போட்டியிட அதிகாரம் அளிக்கிறது என்பதை இந்த சாதனை அடிக்கோடிட்டுக் காட்டுகிறது.
ஃபை-4-ரீசனிங்-பிளஸ்: ரீஇன்ஃபோர்ஸ்மென்ட் லேர்னிங் மூலம் ரீசனிங்கை மேம்படுத்துதல்
ஃபை-4-ரீசனிங்கின் திறன்களை அடிப்படையாகக் கொண்டு, ஃபை-4-ரீசனிங்-பிளஸ் அனுமானத்தின் போது கூடுதல் கணக்கீட்டு நேரத்தை பயன்படுத்த ரீஇன்ஃபோர்ஸ்மென்ட் லேர்னிங் மூலம் மேலும் பயிற்சிக்கு உட்படுகிறது. இது ஃபை-4-ரீசனிங்கை விட 1.5 மடங்கு அதிக டோக்கன்களை செயலாக்குகிறது, இதன் விளைவாக துல்லியம் மேம்படுகிறது.
செயல்திறன் அளவுகோல்கள்
அவற்றின் சிறிய அளவு இருந்தபோதிலும், ஃபை-4-ரீசனிங் மற்றும் ஃபை-4-ரீசனிங்-பிளஸ் இரண்டும் கணித ரீசனிங் மற்றும் PhD-நிலை அறிவியல் விசாரணைகள் உட்பட பல்வேறு அளவுகோல்களில் OpenAI இன் o1-mini மற்றும் DeepSeek-R1-Distill-Llama-70B ஐ விட சிறந்து விளங்குகின்றன. குறிப்பாக, அவை 2025 ஆம் ஆண்டின் அமெரிக்க கணித ஒலிம்பியாடுக்கான தகுதி போட்டியான AIME 2025 சோதனையில் முழு DeepSeek-R1 மாதிரியை (671 பில்லியன் அளவுருக்கள் கொண்டது) கூட மீறுகின்றன. இரண்டு மாடல்களும் Azure AI Foundry மற்றும் Hugging Face இல் எளிதாக அணுகக்கூடியவை.
ஃபை-4-மினி-ரீசனிங்: வரையறுக்கப்பட்ட சூழல்களுக்கான சிறிய பவர்ஹவுஸ்
ஃபை-4-மினி-ரீசனிங் குறிப்பாக சிறிய ரீசனிங் மாடலுக்கான தேவையை நிவர்த்தி செய்ய வடிவமைக்கப்பட்டுள்ளது. இந்த டிரான்ஸ்ஃபார்மர் அடிப்படையிலான மொழி மாதிரி கணித ரீசனிங்கிற்காக உகந்ததாக உள்ளது மற்றும் கணினி சக்தி அல்லது லேட்டன்சி கட்டுப்படுத்தப்பட்ட சூழல்களில் உயர்தர, படிப்படியான சிக்கல் தீர்க்கும் திறன்களை வழங்குகிறது. Deepseek-R1 மாதிரி உருவாக்கிய செயற்கை தரவைப் பயன்படுத்தி ஃபைன் ட்யூன் செய்யப்பட்ட இது, செயல்திறனை மேம்பட்ட ரீசனிங் திறன்களுடன் திறம்பட சமன் செய்கிறது. இது கல்வி பயன்பாடுகள், உட்பொதிக்கப்பட்ட டுடோரிங் அமைப்புகள் மற்றும் எட்ஜ் அல்லது மொபைல் அமைப்புகளில் இலகுரக வரிசைப்படுத்தல்களுக்கு ஏற்றதாக அமைகிறது. இந்த மாதிரி ஒரு மில்லியன் மாறுபட்ட கணித சிக்கல்களுக்கு மேல் பயிற்சி அளிக்கப்படுகிறது, இது நடுநிலைப் பள்ளி முதல் PhD-நிலை வரை சிரமத்தில் இருக்கும், இது பல்வேறு கல்வி சூழல்களில் அதன் பல்துறை மற்றும் செயல்திறனை உறுதி செய்கிறது.
செயலில் ஃபை: எல்லைகளை விரிவாக்குதல்
கடந்த ஆண்டில் ஃபையின் பரிணாமம் தொடர்ந்து அளவைப் பொறுத்து தரத்தின் எல்லைகளைத் தள்ளியுள்ளது, மேலும் இந்த குடும்பம் பல்வேறு தேவைகளுக்கு ஏற்ப புதிய அம்சங்களை உள்ளடக்கியது. இந்த மாதிரிகள் பல்வேறு Windows 11 சாதனங்களில் CPU மற்றும் GPU இரண்டிலும் உள்நாட்டில் இயக்கப்படலாம், இது வெவ்வேறு வன்பொருள் உள்ளமைவுகளுடன் பயனர்களுக்கு நெகிழ்வுத்தன்மை மற்றும் அணுகலை வழங்குகிறது.
Copilot+ PC களுடன் ஒருங்கிணைப்பு: AI-இயங்கும் கணினி யுகம்
ஃபை மாதிரிகள் Copilot+ PC களின் ஒருங்கிணைந்த பகுதியாகும், மேலும் NPU-உகந்த ஃபை சிலிகா மாறுபாட்டைப் பயன்படுத்துகின்றன. இயக்க முறைமையால் நிர்வகிக்கப்படும் ஃபை இன் இந்த மிகச் சிறந்த பதிப்பு, நினைவகத்தில் முன்பே ஏற்றப்படும் வகையில் வடிவமைக்கப்பட்டுள்ளது, இது விரைவான பதில் நேரங்களையும் ஆற்றல் திறன் டோக்கன் த்ரூபுட்டையும் வழங்குகிறது. இது PC இல் உள்ள மற்ற பயன்பாடுகளுடன் ஒரே நேரத்தில் அழைக்கப்படுவதை செயல்படுத்துகிறது, இது மல்டிடாஸ்கிங் திறன்களை மேம்படுத்துகிறது மற்றும் ஒட்டுமொத்த கணினி செயல்திறனை மேம்படுத்துகிறது.
நிஜ உலக பயன்பாடுகள்
ஃபை மாதிரிகள் ஏற்கனவே கிளிக் டு டூ போன்ற முக்கிய அனுபவங்களில் பயன்படுத்தப்படுகின்றன, இது அனைத்து திரை உள்ளடக்கத்திற்கும் அறிவார்ந்த உரை கருவிகளை வழங்குகிறது. அவை பயன்பாடுகளில் தடையற்ற ஒருங்கிணைப்புக்கான டெவலப்பர் API களாகவும் கிடைக்கின்றன. இந்த மாதிரிகள் தற்போது அவுட்லுக் போன்ற பல்வேறு உற்பத்தித்திறன் பயன்பாடுகளில் பயன்படுத்தப்படுகின்றன, அங்கு அவை ஆஃப்லைன் Copilot சுருக்க அம்சங்களை வழங்குகின்றன. ஃபை-4-ரீசனிங் மற்றும் ஃபை-4-மினி-ரீசனிங் மாதிரிகள் ஃபை சிலிக்காவிற்கான குறைந்த-பிட் ஆப்டிமைசேஷனைப் பயன்படுத்துகின்றன, மேலும் அவை விரைவில் Copilot+ PC NPU களில் இயங்க கிடைக்கும்.
பொறுப்பான AI மற்றும் பாதுகாப்பிற்கான மைக்ரோசாஃப்ட் உறுதிப்பாடு
மைக்ரோசாஃப்ட்டில், பொறுப்பான AI என்பது AI அமைப்புகளின் மேம்பாடு மற்றும் வரிசைப்படுத்துதலுக்கு வழிகாட்டும் ஒரு அடிப்படை கொள்கையாகும், இதில் ஃபை மாதிரிகளும் அடங்கும். ஃபை மாதிரிகள் மைக்ரோசாஃப்ட் AI கொள்கைகளுடன் இணைந்து உருவாக்கப்படுகின்றன: பொறுப்புக்கூறல், வெளிப்படைத்தன்மை, நேர்மை, நம்பகத்தன்மை மற்றும் பாதுகாப்பு, தனியுரிமை மற்றும் பாதுகாப்பு மற்றும் உள்ளடக்கம். ஃபை மாதிரிகளின் குடும்பம் மேற்பார்வையிடப்பட்ட ஃபைன் ட்யூனிங் (SFT), டைரக்ட் பிரிஃபெரன்ஸ் ஆப்டிமைசேஷன் (DPO) மற்றும் மனித பின்னூட்டத்திலிருந்து ரீஇன்ஃபோர்ஸ்மென்ட் லேர்னிங் (RLHF) நுட்பங்களின் கலவையைப் பயன்படுத்தி அவற்றின் பொறுப்பான மற்றும் நெறிமுறை பயன்பாட்டை உறுதி செய்கிறது.
ஃபை மாதிரிகளின் தொழில்நுட்ப அடிப்படைகள்: ஒரு விரிவான ஆய்வு
மைக்ரோசாஃப்ட்டின் ஃபை மாதிரிகள் சிறிய மொழி மாதிரிகளின் துறையில் ஒரு குறிப்பிடத்தக்க முன்னேற்றத்தைக் குறிக்கின்றன, குறிப்பாக ஒப்பீட்டளவில் குறைவான அளவுருக்களைக் கொண்டு சிக்கலான ரீசனிங் பணிகளைச் செய்யும் திறன். இந்த மாதிரிகள் இத்தகைய ஈர்க்கக்கூடிய செயல்திறனை அடைய உதவும் தொழில்நுட்ப விவரங்களை இந்த பிரிவு ஆராய்கிறது.
கட்டடக்கலை கண்டுபிடிப்புகள்
ஃபை மாதிரிகள் டிரான்ஸ்ஃபார்மர் கட்டமைப்பை அடிப்படையாகக் கொண்டவை, இது ஆழமான கற்றல் மாதிரி இயற்கை மொழி செயலாக்கத்தில் புரட்சியை ஏற்படுத்தியுள்ளது. டிரான்ஸ்ஃபார்மர்கள் உரையில் நீண்ட தூர சார்புகளைப் பிடிக்கச் சிறந்தவை, இது மாதிரிகள் மொழியின் சூழலையும் நுணுக்கங்களையும் புரிந்து கொள்ள அனுமதிக்கிறது.
கவன வழிமுறை: டிரான்ஸ்ஃபார்மர் கட்டமைப்பின் மையமானது கவன வழிமுறையாகும், இது மாதிரி வெளியீட்டை உருவாக்கும்போது உள்ளீட்டின் மிகவும் பொருத்தமான பகுதிகளை மையப்படுத்த அனுமதிக்கிறது. ரீசனிங் பணிகளுக்கு இது மிகவும் முக்கியமானது, அங்கு மாதிரி முக்கிய தகவல்களையும் சரியான முடிவுக்கு வர உறவுகளையும் அடையாளம் காண வேண்டும்.
ஸ்கேல்டு டாட்-புராடக்ட் அட்டென்ஷன்: ஃபை மாதிரிகள் ஸ்கேல்டு டாட்-புராடக்ட் அட்டென்ஷனைப் பயன்படுத்துகின்றன, இது கவன வழிமுறையின் ஒரு செம்மைப்படுத்தப்பட்ட பதிப்பாகும், இது புள்ளி தயாரிப்புகள் மிகப் பெரியதாக மாறுவதைத் தடுக்க ஒரு அளவிடுதல் காரணியைச் சேர்க்கிறது, இது பயிற்சியின் போது நிலையற்ற தன்மைக்கு வழிவகுக்கும்.
மல்டி-ஹெட் அட்டென்ஷன்: உள்ளீட்டின் வெவ்வேறு அம்சங்களைப் பிடிக்க, ஃபை மாதிரிகள் மல்டி-ஹெட் அட்டென்ஷனைப் பயன்படுத்துகின்றன, அங்கு பல கவன வழிமுறைகள் இணையாக செயல்படுகின்றன. ஒவ்வொரு தலையும் உள்ளீட்டின் வெவ்வேறு துணைக்குழுவில் கவனம் செலுத்துகிறது, இது மாதிரி இன்னும் சிக்கலான பிரதிநிதித்துவங்களைக் கற்றுக்கொள்ள அனுமதிக்கிறது.
ஃபீட்-ஃபார்வர்ட் நெட்வொர்க்குகள்: கவன அடுக்குகளுக்குப் பிறகு, டிரான்ஸ்ஃபார்மர் கட்டமைப்பில் தகவலை மேலும் செயலாக்கும் ஃபீட்-ஃபார்வர்ட் நெட்வொர்க்குகள் அடங்கும். இந்த நெட்வொர்க்குகள் நியூரான் அடுக்குகளைக் கொண்டிருக்கின்றன, அவை கவன வெளியீடுகளில் இருந்து அம்சங்களைப் பிரித்தெடுக்க கற்றுக்கொள்கின்றன.
பயிற்சி முறைகள்: ஒரு பலதரப்பட்ட அணுகுமுறை
ஃபை மாதிரிகளின் பயிற்சி மேற்பார்வையிடப்பட்ட ஃபைன் ட்யூனிங், ரீஇன்ஃபோர்ஸ்மென்ட் லேர்னிங் மற்றும் தரவு டிஸ்டிலேஷன் உள்ளிட்ட நுட்பங்களின் கலவையை உள்ளடக்கியது.
மேற்பார்வையிடப்பட்ட ஃபைன் ட்யூனிங் (SFT): மேற்பார்வையிடப்பட்ட ஃபைன் ட்யூனிங் ஒரு லேபிளிடப்பட்ட தரவுத்தொகுப்பில் மாதிரியைப் பயிற்றுவிப்பதை உள்ளடக்கியது, அங்கு உள்ளீடு ஒரு கேள்வி அல்லது சிக்கல், மற்றும் வெளியீடு சரியான பதில் அல்லது தீர்வு. இது மாதிரி குறிப்பிட்ட உள்ளீடுகளை அதனுடன் தொடர்புடைய வெளியீடுகளுடன் தொடர்புபடுத்த கற்றுக்கொள்ள உதவுகிறது.
ரீஇன்ஃபோர்ஸ்மென்ட் லேர்னிங் (RL): ரீஇன்ஃபோர்ஸ்மென்ட் லேர்னிங் என்பது ஒரு சூழலுடன் தொடர்பு கொண்டு அதன் செயல்களுக்கு வெகுமதிகளையும் அபராதங்களையும் பெறுவதன் மூலம் முடிவுகளை எடுக்க மாதிரி கற்றுக்கொள்ளும் ஒரு நுட்பமாகும். மொழி மாதிரிகளின் சூழலில், சூழல் விதிகள் அல்லது கட்டுப்பாடுகளின் தொகுப்பாக இருக்கலாம், மேலும் மாதிரியின் பதில்களின் துல்லியத்தின் அடிப்படையில் வெகுமதி இருக்கலாம்.
தரவு டிஸ்டிலேஷன்: தரவு டிஸ்டிலேஷன் என்பது ஒரு சிறிய மாதிரி பெரிய, சிக்கலான மாதிரியின் நடத்தையைப் பின்பற்ற பயிற்சி அளிக்கப்படும் ஒரு நுட்பமாகும். இது சிறிய மாதிரி பெரிய மாதிரியுடன் ஒப்பிடக்கூடிய செயல்திறனை அடைய அனுமதிக்கிறது, அதே நேரத்தில் குறைவான ஆதாரங்கள் தேவைப்படுகின்றன.
தரவு க்யூரேஷன்: செயல்திறனின் மூலைக்கல்
ஃபை மாதிரிகளின் செயல்திறன் பயிற்சிக்கு பயன்படுத்தப்படும் தரவின் தரத்தைப் பொறுத்தது. மைக்ரோசாஃப்ட் ரீசனிங் பணிகளுக்காக வடிவமைக்கப்பட்ட உயர்தர தரவுத்தொகுப்புகளை க்யூரேட் செய்வதில் கணிசமான முயற்சியை மேற்கொண்டுள்ளது.
செயற்கை தரவு உருவாக்கம்: கிடைக்கக்கூடிய தரவைப் பெருக்க, நிஜ உலக தரவின் பண்புகளைப் பிரதிபலிக்கும் செயற்கை தரவை உருவாக்குவதற்கான நுட்பங்களை மைக்ரோசாஃப்ட் உருவாக்கியுள்ளது. இது மாதிரிகள் பெரிய மற்றும் மாறுபட்ட தரவுத்தொகுப்பில் பயிற்சி பெற அனுமதிக்கிறது, இது அவற்றின் பொதுமைப்படுத்தும் திறனை மேம்படுத்துகிறது.
தரவு வடிகட்டுதல்: பயிற்சி தரவுத்தொகுப்பிலிருந்து சத்தமில்லாத அல்லது பொருத்தமற்ற தரவை அகற்ற மைக்ரோசாஃப்ட் கடுமையான தரவு வடிகட்டுதல் நுட்பங்களைப் பயன்படுத்துகிறது. இது மாதிரிகள் சுத்தமான மற்றும் துல்லியமான தரவில் பயிற்சி அளிக்கப்படுவதை உறுதி செய்கிறது, இது சிறந்த செயல்திறனுக்கு வழிவகுக்கிறது.
தரவு விரிவாக்கம்: இருக்கும் தரவில் மாற்றங்களைப் பயன்படுத்துவதன் மூலம் பயிற்சி தரவுத்தொகுப்பின் பன்முகத்தன்மையை அதிகரிக்க தரவு விரிவாக்க நுட்பங்கள் பயன்படுத்தப்படுகின்றன. இது உள்ளீட்டில் உள்ள மாறுபாடுகளுக்கு மாதிரிகள் மிகவும் வலுவானதாக இருக்க உதவுகிறது.
தேர்வுமுறை நுட்பங்கள்: செயல்திறன் மற்றும் துல்லியத்தை சமநிலைப்படுத்துதல்
ஃபை மாதிரிகள் செயல்திறன் மற்றும் துல்லியம் ஆகிய இரண்டிற்கும் உகந்ததாக உள்ளன, அவை செயல்திறனை தியாகம் செய்யாமல் குறைவான ஆதாரங்களைக் கொண்ட சாதனங்களில் இயங்க அனுமதிக்கின்றன.
குவாண்டிசேஷன்: குவாண்டிசேஷன் என்பது மாதிரியின் அளவுருக்களின் துல்லியத்தைக் குறைக்கும் ஒரு நுட்பமாகும், இது மாதிரியின் நினைவக கால்தடத்தையும் கணக்கீட்டுத் தேவைகளையும் குறைக்கிறது.
நறுக்குதல்: நறுக்குதல் என்பது மாதிரியில் உள்ள முக்கியமான இணைப்புகளை அகற்றும் ஒரு நுட்பமாகும், இது மாதிரியின் அளவு மற்றும் சிக்கலைக் குறைக்கிறது.
அறிவு டிஸ்டிலேஷன்: அறிவு டிஸ்டிலேஷன் என்பது பெரிய, சிக்கலான மாதிரியிலிருந்து சிறிய மாதிரிக்கு அறிவை மாற்றுவதை உள்ளடக்கியது. இது சிறிய மாதிரி பெரிய மாதிரியுடன் ஒப்பிடக்கூடிய செயல்திறனை அடைய அனுமதிக்கிறது, அதே நேரத்தில் குறைவான ஆதாரங்கள் தேவைப்படுகின்றன.
ஃபை சிலிகா NPU: ஒரு வன்பொருள்-மென்பொருள் கூட்டு அணுகுமுறை
மைக்ரோசாஃப்ட்டின் ஃபை மாதிரிகள் ஃபை சிலிகா NPU (நரம்பியல் செயலாக்க அலகு) உடன் இறுக்கமாக ஒருங்கிணைக்க வடிவமைக்கப்பட்டுள்ளன, இது ஆழமான கற்றல் வேலைப்பளுவுகளுக்காக உகந்ததாக இருக்கும் ஒரு சிறப்பு வன்பொருள் முடுக்கியாகும்.
குறைந்த-பிட் ஆப்டிமைசேஷன்: ஃபை சிலிகா NPU குறைந்த-பிட் ஆப்டிமைசேஷனை ஆதரிக்கிறது, இது மாதிரிகள் குறைந்த துல்லியத்துடன் இயங்க அனுமதிக்கிறது, மேலும் அவற்றின் நினைவக கால்தடத்தையும் கணக்கீட்டுத் தேவைகளையும் குறைக்கிறது.
நினைவகத்தில் முன் ஏற்றம்: ஃபை மாதிரிகள் நினைவகத்தில் முன் ஏற்றப்படும் வகையில் வடிவமைக்கப்பட்டுள்ளன, இது அவற்றை விரைவாகவும் திறமையாகவும் அழைக்க அனுமதிக்கிறது.
இயக்க முறைமை மேலாண்மை: ஃபை சிலிகா NPU இயக்க முறைமையால் நிர்வகிக்கப்படுகிறது, இது பயனர் அனுபவத்தில் தடையின்றி ஒருங்கிணைக்க அனுமதிக்கிறது.
சுருக்கமாக, மைக்ரோசாஃப்ட்டின் ஃபை மாதிரிகள் சிறிய மொழி மாதிரிகளின் துறையில் ஒரு குறிப்பிடத்தக்க சாதனையை பிரதிபலிக்கின்றன. புதுமையான கட்டடக்கலை வடிவமைப்புகள், கடுமையான பயிற்சி முறைகள், கவனமான தரவு க்யூரேஷன் மற்றும் வன்பொருள்-மென்பொருள் இணை வடிவமைப்பை இணைப்பதன் மூலம், மைக்ரோசாஃப்ட் சக்திவாய்ந்த மற்றும் திறமையான மாதிரிகளின் குடும்பத்தை உருவாக்கியுள்ளது, இது பரந்த அளவிலான AI-இயங்கும் பயன்பாடுகளை செயல்படுத்துகிறது.