Microsoft Phi: AIలో చిన్న భాషా నమూనాలు ఒక ముందడుగు
Azure AI Foundryలో Phi-3 విడుదల ద్వారా చిన్న భాషా నమూనాల (SLMs) శ్రేణిని ప్రవేశపెట్టిన ఒక సంవత్సరం తర్వాత, Microsoft తన తదుపరి తరం నమూనాలను ఆవిష్కరించింది: Phi-4-reasoning, Phi-4-reasoning-plus మరియు Phi-4-mini-reasoning. ఈ ఆవిష్కరణలు SLMలకు ఒక మలుపుగా నిలుస్తాయి, కాంపాక్ట్ మరియు సమర్థవంతమైన AIతో ఏమి సాధించవచ్చో పునర్నిర్వచిస్తుంది.
Phi-Reasoning నమూనాల ఆవిర్భావం
కొత్త Phi-reasoning నమూనాలు బహుళ-దశల విచ్ఛిన్నం మరియు అంతర్గత ప్రతిబింబం అవసరమయ్యే క్లిష్టమైన పనుల కోసం అనుమితి-సమయ స్కేలింగ్‌ను ఉపయోగించడానికి రూపొందించబడ్డాయి. ఈ నమూనాలు గణిత తార్కికంలో అసాధారణ సామర్థ్యాలను ప్రదర్శిస్తాయి, సంక్లిష్టమైన మరియు బహుముఖ పనులను నిర్వహించే ఏజెంట్-వంటి అనువర్తనాలకు పునాదిగా తమను తాము స్థాపించుకుంటాయి. చారిత్రాత్మకంగా, అటువంటి సామర్థ్యాలు గణనీయంగా పెద్ద నమూనాలకు ప్రత్యేకమైనవి. Phi-reasoning నమూనాలు పరిమాణం మరియు పనితీరు మధ్య సమతుల్యతను సాధించడానికి స్వేదనం, ఉపబల అభ్యాసం మరియు అధిక-నాణ్యత డేటాను ఉపయోగించే SLMల యొక్క కొత్త వర్గాన్ని పరిచయం చేస్తాయి. వాటి కాంపాక్ట్ పరిమాణం వాటిని తక్కువ-లేటెన్సీ పరిసరాలకు అనుకూలంగా చేస్తుంది, అయితే వాటి బలమైన తార్కిక సామర్థ్యాలు చాలా పెద్ద నమూనాలకు పోటీగా ఉంటాయి. సామర్థ్యం మరియు సామర్థ్యం యొక్క ఈ కలయిక పరిమిత వనరులు ఉన్న పరికరాలు కూడా సంక్లిష్టమైన తార్కిక పనులను సమర్థవంతంగా అమలు చేయడానికి అనుమతిస్తుంది.
Phi-4-Reasoning మరియు Phi-4-Reasoning-Plus: మరింత లోతుగా
Phi-4-Reasoning: ఓపెన్-వెయిట్ రీజనింగ్ మోడల్
Phi-4-reasoning అనేది 14 బిలియన్ పారామితులతో కూడిన ఓపెన్-వెయిట్ రీజనింగ్ మోడల్‌గా ప్రత్యేకంగా నిలుస్తుంది. సంక్లిష్టమైన తార్కిక పనులలో గణనీయంగా పెద్ద నమూనాలతో పోటీ పడేలా ఇది రూపొందించబడింది. ఈ నమూనాను OpenAI యొక్క o3-mini నుండి పొందిన ఖచ్చితంగా నిర్వహించబడే తార్కిక ఉదాహరణలపై Phi-4 యొక్క పర్యవేక్షిత ఫైన్-ట్యూనింగ్ ద్వారా శిక్షణ పొందింది. Phi-4-reasoning వివరణాత్మక తార్కిక గొలుసులను ఉత్పత్తి చేస్తుంది, అనుమితి సమయంలో అదనపు గణన సమయాన్ని సమర్థవంతంగా ఉపయోగించుకుంటుంది. ఖచ్చితమైన డేటా క్యూరేషన్ మరియు అధిక-నాణ్యత సింథటిక్ డేటాసెట్‌లు చిన్న నమూనాలను వాటి పెద్ద కౌంటర్‌పార్ట్‌లతో పోటీ పడేలా ఎలా శక్తివంతం చేస్తాయో ఈ విజయం నొక్కి చెబుతుంది.
Phi-4-Reasoning-Plus: ఉపబల అభ్యాసంతో తార్కికతను మెరుగుపరచడం
Phi-4-reasoning యొక్క సామర్థ్యాలపై ఆధారపడి, Phi-4-reasoning-plus అనుమితి సమయంలో అదనపు గణన సమయాన్ని ఉపయోగించుకోవడానికి ఉపబల అభ్యాసంతో మరింత శిక్షణ పొందుతుంది. ఇది Phi-4-reasoning కంటే 1.5 రెట్లు ఎక్కువ టోకెన్‌లను ప్రాసెస్ చేస్తుంది, దీని ఫలితంగా మెరుగైన ఖచ్చితత్వం వస్తుంది.
పనితీరు బెంచ్‌మార్క్‌లు
వాటి గణనీయంగా చిన్న పరిమాణం ఉన్నప్పటికీ, Phi-4-reasoning మరియు Phi-4-reasoning-plus రెండూ OpenAI యొక్క o1-mini మరియు DeepSeek-R1-Distill-Llama-70Bలను గణిత తార్కికం మరియు PhD-స్థాయి శాస్త్రీయ విచారణలతో సహా వివిధ బెంచ్‌మార్క్‌లలో అధిగమిస్తాయి. ఆశ్చర్యకరంగా, అవి AIME 2025 పరీక్షలో పూర్తి DeepSeek-R1 నమూనాను (671 బిలియన్ పారామితులతో) కూడా అధిగమించాయి, ఇది 2025 USA గణిత ఒలింపియాడ్ కోసం అర్హత పోటీగా పనిచేస్తుంది. రెండు నమూనాలు Azure AI Foundry మరియు Hugging Faceలో సులభంగా అందుబాటులో ఉన్నాయి.
Phi-4-Mini-Reasoning: పరిమిత పరిసరాల కోసం కాంపాక్ట్ పవర్‌హౌస్
Phi-4-mini-reasoning ప్రత్యేకంగా కాంపాక్ట్ రీజనింగ్ మోడల్ కోసం డిమాండ్‌ను పరిష్కరించడానికి రూపొందించబడింది. ఈ ట్రాన్స్‌ఫార్మర్-ఆధారిత భాషా నమూనా గణిత తార్కికం కోసం ఆప్టిమైజ్ చేయబడింది మరియు కంప్యూటింగ్ పవర్ లేదా లేటెన్సీ పరిమితం చేయబడిన పరిసరాలలో అధిక-నాణ్యత, దశల వారీ సమస్య పరిష్కార సామర్థ్యాలను అందిస్తుంది. Deepseek-R1 మోడల్ ద్వారా రూపొందించబడిన సింథటిక్ డేటాను ఉపయోగించి ఫైన్‌ట్యూన్ చేయబడింది, ఇది సమర్థతను అధునాతన తార్కిక సామర్థ్యాలతో సమర్థవంతంగా సమతుల్యం చేస్తుంది. ఇది విద్యా అనువర్తనాలకు, ఎంబెడెడ్ ట్యూటరింగ్ సిస్టమ్‌లకు మరియు ఎడ్జ్ లేదా మొబైల్ సిస్టమ్‌లపై తేలికపాటి విస్తరణలకు అనువైనది. ఈ నమూనా మధ్య పాఠశాల నుండి PhD-స్థాయి వరకు కష్టతరమైన మిలియన్ కంటే ఎక్కువ విభిన్న గణిత సమస్యలపై శిక్షణ పొందింది, ఇది విస్తృత విద్యా సందర్భాలలో దాని పాండిత్యం మరియు ప్రభావాన్ని నిర్ధారిస్తుంది.
కార్యాచరణలో Phi: విస్తరిస్తున్న హోరిజోన్స్
గత సంవత్సరం Phi యొక్క పరిణామం పరిమాణానికి సంబంధించి నాణ్యత యొక్క సరిహద్దులను స్థిరంగా నెట్టివేసింది, కుటుంబం విభిన్న అవసరాలకు అనుగుణంగా కొత్త లక్షణాలను కలిగి ఉంది. ఈ నమూనాలను వివిధ Windows 11 పరికరాల్లో CPUలు మరియు GPU రెండింటిలోనూ స్థానికంగా అమలు చేయవచ్చు, విభిన్న హార్డ్‌వేర్ కాన్ఫిగరేషన్‌లతో వినియోగదారులకు సౌలభ్యం మరియు ప్రాప్యతను అందిస్తుంది.
Copilot+ PCలతో అనుసంధానం: AI-శక్తితో కూడిన కంప్యూటింగ్‌లో కొత్త శకం
Phi నమూనాలు Copilot+ PCలలో అంతర్భాగంగా ఉన్నాయి, NPU-ఆప్టిమైజ్డ్ Phi Silica వేరియంట్‌ను ఉపయోగించుకుంటాయి. ఆపరేటింగ్ సిస్టమ్ ద్వారా నిర్వహించబడే Phi యొక్క ఈ అత్యంత సమర్థవంతమైన సంస్కరణ మెమరీలోకి ముందుగా లోడ్ చేయడానికి రూపొందించబడింది, ఇది శీఘ్ర ప్రతిస్పందన సమయాలు మరియు శక్తి-సమర్థవంతమైన టోకెన్ త్రోపుట్‌ను అందిస్తుంది. ఇది PCలోని ఇతర అనువర్తనాలతో ఏకకాలంలో పిలువడానికి వీలు కల్పిస్తుంది, మల్టీటాస్కింగ్ సామర్థ్యాలను మరియు మొత్తం సిస్టమ్ పనితీరును మెరుగుపరుస్తుంది.
నిజ-ప్రపంచ అనువర్తనాలు
Phi నమూనాలు ఇప్పటికే క్లిక్ టు డు వంటి ప్రధాన అనుభవాలలో ఉపయోగించబడుతున్నాయి, ఇది స్క్రీన్ కంటెంట్‌లోని అన్నింటికీ తెలివైన టెక్స్ట్ సాధనాలను అందిస్తుంది. అవి అనువర్తనాల్లోకి సజావుగా అనుసంధానం చేయడానికి డెవలపర్ APIలుగా కూడా అందుబాటులో ఉన్నాయి. ఈ నమూనాలు ప్రస్తుతం Outlook వంటి వివిధ ఉత్పాదకత అనువర్తనాల్లో ఉపయోగించబడుతున్నాయి, ఇక్కడ అవి ఆఫ్‌లైన్ Copilot సారాంశ లక్షణాలను అందిస్తాయి. Phi-4-reasoning మరియు Phi-4-mini-reasoning నమూనాలు Phi Silica కోసం తక్కువ-బిట్ ఆప్టిమైజేషన్‌లను ఉపయోగించుకుంటాయి మరియు త్వరలో Copilot+ PC NPUలలో అమలు చేయడానికి అందుబాటులో ఉంటాయి.
బాధ్యతాయుతమైన AI మరియు భద్రతకు Microsoft యొక్క నిబద్ధత
Microsoftలో, బాధ్యతాయుతమైన AI అనేది Phi నమూనాలతో సహా AI వ్యవస్థల అభివృద్ధి మరియు విస్తరణకు మార్గనిర్దేశం చేసే ప్రాథమిక సూత్రం. జవాబుదారీతనం, పారదర్శకత, న్యాయం, విశ్వసనీయత మరియు భద్రత, గోప్యత మరియు భద్రత మరియు సమ్మిళితత్వం అనే Microsoft AI సూత్రాలకు అనుగుణంగా Phi నమూనాలు అభివృద్ధి చేయబడ్డాయి. Phi నమూనాల కుటుంబం పర్యవేక్షిత ఫైన్-ట్యూనింగ్ (SFT), డైరెక్ట్ ప్రిఫరెన్స్ ఆప్టిమైజేషన్ (DPO) మరియు హ్యూమన్ ఫీడ్‌బ్యాక్ నుండి రీన్‌ఫోర్స్‌మెంట్ లెర్నింగ్ (RLHF) సాంకేతికతల కలయికను ఉపయోగించి శిక్షణ తర్వాత భద్రతకు బలమైన విధానాన్ని అనుసరిస్తుంది.
Phi నమూనాల సాంకేతిక ఆధారాలు: వివరణాత్మక పరీక్ష
Microsoft యొక్క Phi నమూనాలు చిన్న భాషా నమూనాల రంగంలో ఒక ముఖ్యమైన పురోగతిని సూచిస్తాయి, ముఖ్యంగా తక్కువ పారామితులతో సంక్లిష్టమైన తార్కిక పనులను నిర్వహించగల సామర్థ్యంలో. ఈ నమూనాలు అటువంటి ఆకట్టుకునే పనితీరును సాధించడానికి వీలు కల్పించే సాంకేతిక వివరాలను ఈ విభాగం పరిశీలిస్తుంది.
నిర్మాణ ఆవిష్కరణలు
Phi నమూనాలు ట్రాన్స్‌ఫార్మర్ ఆర్కిటెక్చర్ ఆధారంగా రూపొందించబడ్డాయి, ఇది సహజ భాషా ప్రాసెసింగ్‌లో విప్లవాత్మక మార్పులు చేసింది. ట్రాన్స్‌ఫార్మర్‌లు టెక్స్ట్‌లో దీర్ఘ-శ్రేణి ఆధారపడటాన్ని సంగ్రహించడంలో రాణిస్తాయి, ఇది భాష యొక్క సందర్భం మరియు సూక్ష్మ నైపుణ్యాలను అర్థం చేసుకోవడానికి నమూనాలకు అనుమతిస్తుంది.
శ్రద్ధ విధానం: ట్రాన్స్‌ఫార్మర్ ఆర్కిటెక్చర్ యొక్క ప్రధాన భాగం శ్రద్ధ విధానం, ఇది అవుట్‌పుట్‌ను ఉత్పత్తి చేసేటప్పుడు ఇన్‌పుట్ యొక్క అత్యంత సంబంధిత భాగాలపై దృష్టి పెట్టడానికి నమూనాను అనుమతిస్తుంది. ఇది తార్కిక పనులకు చాలా ముఖ్యం, ఇక్కడ సరైన ముగింపుకు చేరుకోవడానికి నమూనా కీలక సమాచారం మరియు సంబంధాలను గుర్తించాలి.
స్కేల్డ్ డాట్-ప్రొడక్ట్ అటెన్షన్: Phi నమూనాలు స్కేల్డ్ డాట్-ప్రొడక్ట్ అటెన్షన్‌ను ఉపయోగిస్తాయి, ఇది అటెన్షన్ విధానం యొక్క శుద్ధి చేయబడిన సంస్కరణ, ఇది శిక్షణ సమయంలో అస్థిరతకు దారితీసే చాలా పెద్దగా మారకుండా నిరోధించడానికి స్కేలింగ్ ఫ్యాక్టర్‌ను కలిగి ఉంటుంది.
మల్టీ-హెడ్ అటెన్షన్: ఇన్‌పుట్ యొక్క విభిన్న అంశాలను సంగ్రహించడానికి, Phi నమూనాలు మల్టీ-హెడ్ అటెన్షన్‌ను ఉపయోగిస్తాయి, ఇక్కడ బహుళ శ్రద్ధ విధానాలు సమాంతరంగా పనిచేస్తాయి. ప్రతి హెడ్ ఇన్‌పుట్ యొక్క వేర్వేరు ఉపసమితిపై దృష్టి పెడుతుంది, ఇది నమూనా మరింత సంక్లిష్టమైన ప్రాతినిధ్యాలను తెలుసుకోవడానికి అనుమతిస్తుంది.
ఫీడ్-ఫార్వర్డ్ నెట్‌వర్క్‌లు: శ్రద్ధ పొరల తర్వాత, ట్రాన్స్‌ఫార్మర్ ఆర్కిటెక్చర్ సమాచారాన్ని మరింత ప్రాసెస్ చేసే ఫీడ్-ఫార్వర్డ్ నెట్‌వర్క్‌లను కలిగి ఉంటుంది. ఈ నెట్‌వర్క్‌లు న్యూరాన్‌ల యొక్క బహుళ పొరలను కలిగి ఉంటాయి, ఇవి శ్రద్ధ అవుట్‌పుట్‌ల నుండి లక్షణాలను సంగ్రహించడం నేర్చుకుంటాయి.
శిక్షణా విధానాలు: బహుముఖ విధానం
Phi నమూనాల శిక్షణలో పర్యవేక్షిత ఫైన్-ట్యూనింగ్, ఉపబల అభ్యాసం మరియు డేటా స్వేదనం వంటి సాంకేతికతల కలయిక ఉంటుంది.
సూపర్‌వైజ్డ్ ఫైన్-ట్యూనింగ్ (SFT): సూపర్‌వైజ్డ్ ఫైన్-ట్యూనింగ్‌లో లేబుల్ చేయబడిన డేటాసెట్‌పై నమూనాకు శిక్షణ ఇవ్వడం ఉంటుంది, ఇక్కడ ఇన్‌పుట్ ప్రశ్న లేదా సమస్య, మరియు అవుట్‌పుట్ సరైన సమాధానం లేదా పరిష్కారం. ఇది నమూనా నిర్దిష్ట ఇన్‌పుట్‌లను సంబంధిత అవుట్‌పుట్‌లతో అనుబంధించడానికి నేర్చుకోవడానికి సహాయపడుతుంది.
రీన్‌ఫోర్స్‌మెంట్ లెర్నింగ్ (RL): రీన్‌ఫోర్స్‌మెంట్ లెర్నింగ్ అనేది ఒక పర్యావరణంతో సంకర్షణ చేయడం ద్వారా మరియు దాని చర్యలకు బహుమతులు లేదా జరిమానాలు పొందడం ద్వారా నమూనా నిర్ణయాలు తీసుకోవడానికి నేర్చుకునే ఒక సాంకేతికత. భాషా నమూనాల సందర్భంలో, పర్యావరణం నియమాలు లేదా పరిమితుల సమితి కావచ్చు మరియు నమూనా ప్రతిస్పందనల యొక్క ఖచ్చితత్వం ఆధారంగా బహుమతి ఇవ్వబడుతుంది.
డేటా డిస్టిలేషన్: డేటా డిస్టిలేషన్ అనేది ఒక చిన్న నమూనాను పెద్ద, మరింత సంక్లిష్టమైన నమూనా యొక్క ప్రవర్తనను అనుకరించడానికి శిక్షణ పొందే ఒక సాంకేతికత. ఇది చిన్న నమూనా తక్కువ వనరులు అవసరం అవుతూనే, పెద్ద నమూనాతో పోల్చదగిన పనితీరును సాధించడానికి అనుమతిస్తుంది.
డేటా క్యూరేషన్: పనితీరుకు మూలస్తంభం
Phi నమూనాల పనితీరు శిక్షణ కోసం ఉపయోగించే డేటా నాణ్యతపై ఎక్కువగా ఆధారపడి ఉంటుంది. Microsoft తార్కిక పనుల కోసం ప్రత్యేకంగా రూపొందించబడిన అధిక-నాణ్యత డేటాసెట్‌లను నిర్వహించడానికి గణనీయమైన కృషి చేసింది.
సింథటిక్ డేటా జనరేషన్: అందుబాటులో ఉన్న డేటాను పెంచడానికి, Microsoft నిజ-ప్రపంచ డేటా యొక్క లక్షణాలను అనుకరించే సింథటిక్ డేటాను ఉత్పత్తి చేయడానికి సాంకేతికతలను అభివృద్ధి చేసింది. ఇది నమూనాలను పెద్ద మరియు మరింత విభిన్నమైన డేటాసెట్‌పై శిక్షణ పొందేందుకు అనుమతిస్తుంది, ఇది వాటి సాధారణీకరణ సామర్థ్యాన్ని మెరుగుపరుస్తుంది.
డేటా ఫిల్టరింగ్: శిక్షణ డేటాసెట్ నుండి శబ్దం లేదా సంబంధితం లేని డేటాను తొలగించడానికి Microsoft కఠినమైన డేటా ఫిల్టరింగ్ సాంకేతికతలను ఉపయోగిస్తుంది. ఇది నమూనాలు శుభ్రమైన మరియు ఖచ్చితమైన డేటాపై శిక్షణ పొందుతున్నాయని నిర్ధారిస్తుంది, ఇది మెరుగైన పనితీరుకు దారితీస్తుంది.
డేటా ఆగ్మెంటేషన్: ఇప్పటికే ఉన్న డేటాకు మార్పులు చేయడం ద్వారా శిక్షణ డేటాసెట్ యొక్క వైవిధ్యాన్ని పెంచడానికి డేటా ఆగ్మెంటేషన్ సాంకేతికతలు ఉపయోగించబడతాయి. ఇది ఇన్‌పుట్‌లోని వైవిధ్యాలకు నమూనాలు మరింత బలంగా ఉండటానికి సహాయపడుతుంది.
ఆప్టిమైజేషన్ టెక్నిక్స్: సమర్థత మరియు ఖచ్చితత్వాన్ని సమతుల్యం చేయడం
Phi నమూనాలు సమర్థత మరియు ఖచ్చితత్వం రెండింటికీ ఆప్టిమైజ్ చేయబడ్డాయి, పనితీరును త్యాగం చేయకుండా వనరు-పరిమిత పరికరాల్లో అమలు చేయడానికి వాటిని అనుమతిస్తుంది.
క్వాంటిజేషన్: క్వాంటిజేషన్ అనేది నమూనా యొక్క పారామితుల ఖచ్చితత్వాన్ని తగ్గించే ఒక సాంకేతికత, ఇది నమూనా యొక్క మెమరీ ఫుట్‌ప్రింట్ మరియు కంప్యూటేషనల్ అవసరాలను తగ్గిస్తుంది.
ప్రూనింగ్: ప్రూనింగ్ అనేది నమూనాలోని తక్కువ ముఖ్యమైన కనెక్షన్‌లను తొలగించే ఒక సాంకేతికత, ఇది నమూనా యొక్క పరిమాణం మరియు సంక్లిష్టతను తగ్గిస్తుంది.
నాలెడ్జ్ డిస్టిలేషన్: నాలెడ్జ్ డిస్టిలేషన్‌లో పెద్ద, మరింత సంక్లిష్టమైన నమూనా నుండి చిన్న నమూనాకు జ్ఞానాన్ని బదిలీ చేయడం ఉంటుంది. ఇది చిన్న నమూనా తక్కువ వనరులు అవసరం అవుతూనే, పెద్ద నమూనాతో పోల్చదగిన పనితీరును సాధించడానికి అనుమతిస్తుంది.
Phi Silica NPU: హార్డ్‌వేర్-సాఫ్ట్‌వేర్ సినర్జిస్టిక్ విధానం
Microsoft యొక్క Phi నమూనాలు డీప్ లెర్నింగ్ వర్క్‌లోడ్‌ల కోసం ఆప్టిమైజ్ చేయబడిన ఒక ప్రత్యేక హార్డ్‌వేర్ యాక్సిలరేటర్ అయిన Phi Silica NPU (న్యూరల్ ప్రాసెసింగ్ యూనిట్)తో గట్టిగా అనుసంధానించడానికి రూపొందించబడ్డాయి.
తక్కువ-బిట్ ఆప్టిమైజేషన్: Phi Silica NPU తక్కువ-బిట్ ఆప్టిమైజేషన్‌కు మద్దతు ఇస్తుంది, ఇది నమూనాలను తగ్గించిన ఖచ్చితత్వంతో అమలు చేయడానికి అనుమతిస్తుంది, వాటి మెమరీ ఫుట్‌ప్రింట్ మరియు కంప్యూటేషనల్ అవసరాలను మరింత తగ్గిస్తుంది.
మెమరీలోకి ముందుగా లోడ్ చేయడం: Phi నమూనాలు మెమరీలోకి ముందుగా లోడ్ చేయడానికి రూపొందించబడ్డాయి, ఇది వాటిని త్వరగా మరియు సమర్థవంతంగా పిలవడానికి అనుమతిస్తుంది.
ఆపరేటింగ్ సిస్టమ్ నిర్వహణ: Phi Silica NPU ఆపరేటింగ్ సిస్టమ్ ద్వారా నిర్వహించబడుతుంది, ఇది వినియోగదారు అనుభవంలోకి సజావుగా అనుసంధానించడానికి అనుమతిస్తుంది.
సారాంశంలో, Microsoft యొక్క Phi నమూనాలు చిన్న భాషా నమూనాల రంగంలో ఒక ముఖ్యమైన విజయాన్ని సూచిస్తాయి. వినూత్న నిర్మాణ రూపకల్పనలు, కఠినమైన శిక్షణా విధానాలు, జాగ్రత్తగా డేటా క్యూరేషన్ మరియు హార్డ్‌వేర్-సాఫ్ట్‌వేర్ కో-డిజైన్‌ను కలపడం ద్వారా, Microsoft శక్తివంతమైన మరియు సమర్థవంతమైన నమూనాల కుటుంబాన్ని సృష్టించింది, ఇది విస్తృత శ్రేణి AI-శక్తితో కూడిన అనువర్తనాలను అనుమతిస్తుంది.