Modellkatalog och samlingar

Modellkatalogen i Azure Mašinsko učenje Studio är navet för att identifiera och använda ett brett utbud av modeller som gör att du kan skapa Generativa AI-program. Modellkatalogen innehåller hundratals modeller från modellleverantörer som Azure OpenAI-tjänsten, Mistral, Meta, Cohere, Nvidia, Hugging Face, inklusive modeller som tränats av Microsoft. Modeller från andra leverantörer än Microsoft är icke-Microsoft-produkter, enligt definitionen i Microsofts produktvillkor, och omfattas av villkoren i modellen.

Modellsamlingar

Modeller ordnas efter samlingar i modellkatalogen. Det finns tre typer av samlingar i modellkatalogen:

• Modeller som har kurerats av Azure AI: De mest populära modellerna med öppen vikt och proprietära från tredje part som paketerats och optimerats för att fungera sömlöst på Azure AI-plattformen. Användning av dessa modeller omfattas av modellleverantörens licensvillkor som tillhandahålls med modellen. När den distribueras i Azure Machine Learning omfattas modellens tillgänglighet av tillämpligt Azure-serviceavtal, och Microsoft tillhandahåller stöd för distributionsproblem. Modeller från partner som Meta, NVIDIA, Mistral AI är exempel på modeller som är tillgängliga i samlingen "Curated by Azure AI" i katalogen. Dessa modeller kan identifieras med en grön bockmarkering på modellpanelerna i katalogen eller så kan du filtrera efter samlingen "Kurerade av Azure AI".
• Azure OpenAI-modeller, exklusivt tillgängliga i Azure: Flaggskeppsmodeller för Azure OpenAI via samlingen "Azure OpenAI" via en integrering med Azure OpenAI-tjänsten. Dessa modeller stöds av Microsoft och deras användning omfattas av produktvillkoren och serviceavtalet för Azure OpenAI Service.
• Öppna modeller från Hugging Face Hub: Hundratals modeller från HuggingFace-hubben är tillgängliga via samlingen "Hugging Face" för slutsatsdragning i realtid med onlineslutpunkter. HuggingFace skapar och underhåller modeller som finns i HuggingFace-samlingen. Använd HuggingFace-forumet eller HuggingFace-supporten om du behöver hjälp. Läs mer om hur du distribuerar modeller från HuggingFace.

Föreslå tillägg till modellkatalogen: Du kan skicka en begäran om att lägga till en modell i modellkatalogen med hjälp av det här formuläret.

Översikt över modellkatalogfunktioner

Information om Azure OpenAI-modeller finns i Azure OpenAI Service.

För modeller som har kurerats av Azure AI - och Open-modeller från hubben Hugging Face kan vissa av dessa distribueras med ett hanterat beräkningsalternativ, och vissa av dessa är tillgängliga för distribution med serverlösa API:er med betala per användning-fakturering. Dessa modeller kan identifieras, jämföras, utvärderas, finjusteras (när de stöds) och distribueras i stor skala och integreras i dina Generative AI-program med säkerhet och datastyrning i företagsklass.

• Upptäck: Granska modellkort, prova exempelinferens och bläddra bland kodexempel för att utvärdera, finjustera eller distribuera modellen.
• Jämför: Jämför riktmärken mellan modeller och datauppsättningar som är tillgängliga i branschen för att bedöma vilken som uppfyller ditt affärsscenario.
• Utvärdera: Utvärdera om modellen passar för din specifika arbetsbelastning genom att tillhandahålla dina egna testdata. Med utvärderingsmått blir det enkelt att visualisera hur bra den valda modellen fungerar i ditt scenario.
• Finjustera: Anpassa finjusteringsbara modeller med dina egna träningsdata och välj den bästa modellen genom att jämföra mått mellan alla dina finjusteringsjobb. Inbyggda optimeringar påskyndar finjusteringen och minskar det minne och den beräkning som behövs för finjustering.
• Distribuera: Distribuera förtränad modeller eller finjusterade modeller sömlöst för slutsatsdragning. Modeller som kan distribueras till hanterad beräkning kan också laddas ned.

Modelldistribution: Hanterad beräkning och serverlöst API (betala per användning)

Modellkatalogen erbjuder två olika sätt att använda modeller från katalogen för din användning: hanterade beräknings- och serverlösa API:er. Vilka distributionsalternativ som är tillgängliga för varje modell varierar. Läs mer om funktionerna i distributionsalternativen och vilka alternativ som är tillgängliga för specifika modeller i tabellerna nedan. Läs mer om databehandling med distributionsalternativen.

Funktioner	Hantera databearbetning	Serverlöst API (betala per användning)
Distributionsupplevelse och fakturering	Modellvikter distribueras till dedikerade Virtual Machines med hanterade onlineslutpunkter. Den hanterade onlineslutpunkten, som kan ha en eller flera distributioner, gör ett REST API tillgängligt för slutsatsdragning. Du debiteras för den virtuella datorns kärntimmar som används av distributionerna.	Åtkomst till modeller sker via en distribution som etablerar ett API för åtkomst till modellen. API:et ger åtkomst till den värdbaserade modellen som finns i en central GPU-pool, som hanteras av Microsoft, för slutsatsdragning. Det här åtkomstläget kallas "Modeller som en tjänst". Du debiteras för indata och utdata till API:erna, vanligtvis i token. prisinformation tillhandahålls innan du distribuerar.
API-autentisering	Nycklar och Microsoft Entra ID autentisering. Läs mer.	Endast nycklar.
Innehållssäkerhet	Använd Api:er för Azure Content Safety-tjänsten.	Azure AI-innehållssäkerhetsfilter är tillgängliga integrerade med slutsatsdragnings-API:er. Azure AI-innehållssäkerhetsfilter kan faktureras separat.
Nätverksisolering	Hanterat Virtual Network med privata slutpunkter. Läs mer.

Distribueringsalternativ

Modell	Hantera databearbetning	Serverlöst API (betala per användning)
Llama-familjemodeller	Llama-2-7b Llama-2-7b-chat Llama-2-13b Llama-2-13b-chat Llama-2-70b Llama-2-70b-chat Llama-3-8B-Instruct Llama-3-70B-Instruct Llama-3-8B Llama-3-70B	Llama-3-70B-Instruct Llama-3-8B-Instruct Llama-2-7b Llama-2-7b-chat Llama-2-13b Llama-2-13b-chat Llama-2-70b Llama-2-70b-chat
Mistral-familjemodeller	mistralai-Mixtral-8x22B-v0-1 mistralai-Mixtral-8x22B-Instruct-v0-1 mistral-community-Mixtral-8x22B-v0-1 mistralai-Mixtral-8x7B-v01 mistralai-Mistral-7B-Instruct-v0-2 mistralai-Mistral-7B-v01 mistralai-Mixtral-8x7B-Instruct-v01 mistralai-Mistral-7B-Instruct-v01	Mistral-large (2402) Mistral-large (2407) Mistral-small Mistral-Nemo
Gemensamma familjemodeller	Inte tillgängliga	Cohere-command-r-plus Cohere-command-r Cohere-embed-v3-english Cohere-embed-v3-multilingual Cohere-rerank-3-english Cohere-rerank-3-multilingual
JAIS	Inte tillgängliga	jais-30b-chat
Phi3-familjemodeller	Phi-3-mini-4k-Instruct Phi-3-mini-128k-Instruct Phi-3-small-8k-Instruct Phi-3-small-128k-Instruct Phi-3-medium-4k-instruct Phi-3-medium-128k-instruct	Phi-3-mini-4k-Instruct Phi-3-mini-128k-Instruct Phi-3-small-8k-Instruct Phi-3-small-128k-Instruct Phi-3-medium-4k-instruct Phi-3-medium-128k-instruct
Nixtla	Inte tillgängliga	TimeGEN-1
Andra modeller	Tillgängligt	Inte tillgängligt

Hantera databearbetning

Möjligheten att distribuera modeller med hanterad beräkning bygger på plattformsfunktioner i Azure Mašinsko učenje för att möjliggöra sömlös integrering över hela LLMOps-livscykeln för den breda samlingen modeller i modellkatalogen.

Hur görs modeller tillgängliga för hanterad beräkning?

Modellerna görs tillgängliga via Azure Machine Learning-register som aktiverar ML:s första metod för att hantera och distribuera maskininlärningstillgångar, till exempel modellvikter, containerkörningar för att köra modellerna, pipelines för utvärdering och finjustering av modeller och datauppsättningar för benchmarks och exempel. Dessa ML-register bygger på en mycket skalbar och företagsklar infrastruktur som:

• Levererar artefakter med låg latensåtkomstmodell till alla Azure-regioner med inbyggd geo-replikering.

• Stöder företagets säkerhetskrav som begränsar åtkomsten till modeller med Azure Policy och säker distribution med hanterade virtuella nätverk.

Utvärdera och finjustera modeller som distribuerats med hanterad beräkning

Du kan utvärdera och finjustera i "organiseras av Azure AI" i Azure Machine Learning- med hjälp av Azure Machine Learning-pipelines. Du kan antingen välja att ta med din egen utvärderings- och finjusteringskod och bara komma åt modellvikter eller använda Azure Machine Learning-komponenter som erbjuder inbyggda utvärderings- och finjusteringsfunktioner. Läs mer genom att följa den här länken.

Distribuera modeller för slutsatsdragning med hanterad beräkning

Modeller som är tillgängliga för distribution med hanterad beräkning kan distribueras till Azure Mašinsko učenje onlineslutpunkter för realtidsinferens eller kan användas för Azure Mašinsko učenje batchinferens för batchbearbetning av dina data. När du distribuerar till hanterad beräkning måste du ha en kvot för virtuella datorer i din Azure-prenumeration för de specifika SKU:er som behövs för att köra modellen optimalt. Med vissa modeller kan du distribuera till en tillfälligt delad kvot för att testa modellen. Läs mer om att distribuera modeller:

• Distribuera Meta Llama-modeller
• Distribuera öppna modeller som skapats av Azure AI
• Distribuera huggande ansiktsmodeller

Skapa generativa AI-appar med hanterad beräkning

Promptflöde erbjuder funktioner för prototyper, experimentering, iterering och distribution av DINA AI-program. Du kan använda modeller som distribuerats med hanterad beräkning i promptflöde med Öppna modell-LLM-verktyget. Du kan också använda REST-API:et som exponeras av de hanterade beräkningen i populära LLM-verktyg som LangChain med Azure Machine Learning-tillägget.

Innehållssäkerhet för modeller som distribueras med hanterad beräkning

Tjänsten Azure AI Content Safety (AACS) är tillgänglig för användning med modeller som distribueras till hanterad beräkning för att söka efter olika kategorier av skadligt innehåll, till exempel sexuellt innehåll, våld, hat och självskadebeteende och avancerade hot som riskidentifiering av jailbreak och skyddad materialtextidentifiering. Du kan referera till den här notebook-filen för referensintegrering med AACS för Llama 2 eller använda verktyget Innehållssäkerhet (text) i Prompt Flow för att skicka svar från modellen till AACS för screening. Du debiteras separat enligt AACS-priser för sådan användning.

Arbeta med modeller som inte finns i modellkatalogen

För modeller som inte är tillgängliga i modellkatalogen tillhandahåller Azure Mašinsko učenje en öppen och utökningsbar plattform för att arbeta med valfria modeller. Du kan ta med en modell med valfritt ramverk eller körning med hjälp av Azure Mašinsko učenje öppna och utökningsbara plattformsfunktioner som Azure Mašinsko učenje miljöer för containrar som kan paketera ramverk och körningsmiljöer och Azure Mašinsko učenje pipelines för kod för att utvärdera eller finjustera modellerna. I den här notebook-filen finns exempelreferens för att importera modeller och arbeta med inbyggda körnings- och pipelines.

Serverlösa API:er med betala per användning-fakturering

Vissa modeller i modellkatalogen kan distribueras som serverlösa API:er med betala per användning-fakturering. den här distributionsmetoden kallas Models-as-a Service (MaaS). Modeller som är tillgängliga via MaaS finns i infrastruktur som hanteras av Microsoft, vilket ger API-baserad åtkomst till modellleverantörens modell. API-baserad åtkomst kan avsevärt minska kostnaden för att komma åt en modell och avsevärt förenkla etableringsupplevelsen. De flesta MaaS-modeller levereras med tokenbaserade priser.

Hur görs modeller från tredje part tillgängliga i MaaS?

Modeller som är tillgängliga för distribution som serverlösa API:er med betala per användning-fakturering erbjuds av modellprovidern men finns i Microsoft-hanterad Azure-infrastruktur och nås via API. Modellleverantörer definierar licensvillkoren och anger priset för användning av sina modeller, medan Azure Mašinsko učenje-tjänsten hanterar värdinfrastrukturen, gör slutsatsdragnings-API:erna tillgängliga och fungerar som dataprocessor för frågor som skickas och innehållsutdata från modeller som distribueras via MaaS. Läs mer om databehandling för MaaS i artikeln om datasekretess .

Betala för modellanvändning i MaaS

Identifierings-, prenumerations- och förbrukningsupplevelsen för modeller som distribueras via MaaS finns i Azure AI Studio och Azure Mašinsko učenje studio. Användare accepterar licensvillkor för användning av modellerna och prisinformation för förbrukning tillhandahålls under distributionen. Modeller från tredjepartsleverantörer debiteras via Azure Marketplace i enlighet med användningsvillkoren för den kommersiella marknadsplatsen . Modeller från Microsoft debiteras med Hjälp av Azure-mätare som förbrukningstjänster från första part. Som beskrivs i produktvillkoren köps Förbrukningstjänster från första part med Hjälp av Azure-mätare men omfattas inte av Azure-tjänstvillkor. Användning av dessa modeller omfattas av de licensvillkor som anges.

Distribuera modeller för slutsatsdragning via MaaS

Genom att distribuera en modell via MaaS kan användarna få åtkomst till färdiga slutsatsdragnings-API:er utan att behöva konfigurera infrastruktur eller etablera GPU:er, vilket sparar teknisk tid och resurser. Dessa API:er kan integreras med flera LLM-verktyg och användningen faktureras enligt beskrivningen i föregående avsnitt.

Finjustera modeller via MaaS med Betala per användning

För modeller som är tillgängliga via MaaS och stöder finjustering kan användarna dra nytta av värdbaserad finjustering med betala per användning-fakturering för att skräddarsy modellerna med hjälp av data som de tillhandahåller. Mer information finns i finjustera en Llama 2-modell i Azure AI Studio.

RAG med modeller som distribueras via MaaS

Med Azure AI Studio kan användarna använda vektorindex och hämtningsförhöjd generation. Modeller som kan distribueras som serverlösa API:er kan användas för att generera inbäddningar och slutsatsdragning baserat på anpassade data för att generera svar som är specifika för deras användningsfall. Mer information finns i Hämta förhöjd generering och index.

Regional tillgänglighet för erbjudanden och modeller

Distribution med betala per användning är endast tillgänglig för användare vars Azure-prenumeration tillhör ett faktureringskonto i ett land där modellleverantören har gjort erbjudandet tillgängligt (se "erbjudandetillgänglighetsregion" i tabellen i nästa avsnitt). Om erbjudandet är tillgängligt i den relevanta regionen måste användaren sedan ha en arbetsyta i Azure-regionen där modellen är tillgänglig för distribution eller finjustering, i förekommande fall (se kolumnerna "Arbetsyteregion" i tabellen nedan).

Modell	Erbjudande tillgänglighetsregion	Arbetsyteregion för distribution	Arbetsyteregion för finetuning
Llama-3-70B-Instruct Llama-3-8B-Instruct	Microsoft Managed Countries	USA, östra 2, Sverige, centrala, USA, norra centrala, USA, södra centrala, USA, västra, USA, östra, USA, västra 3	Inte tillgängliga
Llama-2-7b Llama-2-13b Llama-2-70b	Microsoft Managed Countries	USA, östra 2, USA, östra, USA, västra 3, USA, västra, USA, norra centrala, USA, södra centrala	USA, västra 3
Llama-2-7b-chat Llama-2-13b-chat Llama-2-70b-chat	Microsoft Managed Countries	USA, östra 2, USA, östra, USA, västra 3, USA, västra, USA, norra centrala, USA, södra centrala	Inte tillgängliga
Mistral Small	Microsoft Managed Countries	USA, östra 2, Sverige, centrala, USA, norra centrala, USA, södra centrala, USA, östra, USA, västra 3, USA, västra	Inte tillgängliga
Mistral Large (2402) Mistral Large (2407)	Microsoft Managed Countries Brasilien Hongkong Israel	USA, östra 2, Sverige, centrala, USA, norra centrala, USA, södra centrala, USA, östra, USA, västra 3, USA, västra	Inte tillgängliga
Mistral Nemo	Microsoft Managed Countries Brasilien Hongkong Israel	USA, östra 2, Sverige, centrala, USA, norra centrala, USA, södra centrala, USA, östra, USA, västra 3, USA, västra	Inte tillgängliga
Cohere-command-r-plus Cohere-command-r Cohere-embed-v3-english Cohere-embed-v3-multilingual	Microsoft Managed Countries Japan	USA, östra 2, Sverige, centrala, USA, norra centrala, USA, södra centrala, USA, östra, USA, västra 3, USA, västra	Inte tillgängliga
Cohere-rerank-3-english Cohere-rerank-3-multilingual	Microsoft Managed Countries	USA, östra 2, Sverige, centrala, USA, norra centrala, USA, södra centrala, USA, östra, USA, västra 3, USA, västra	Inte tillgängliga
TimeGEN-1	Microsoft Managed Countries Mexico Israel	USA, östra, USA, östra 2, USA, norra centrala, USA, södra centrala, Sverige, centrala, USA, västra, USA, västra 3	Inte tillgängliga
jais-30b-chat	Microsoft Managed Countries	USA, östra 2, Sverige, centrala, USA, norra centrala, USA, södra centrala, USA, östra, USA, västra 3, USA, västra	Inte tillgängliga
Phi-3-mini-4k-instruct Phi-3-mini-128k-instruct	Microsoft Managed Countries	USA, östra 2, Sverige, centrala	Inte tillgängliga
Phi-3-small-8k-instruct Phi-3-small-128k-Instruct	Microsoft Managed Countries	USA, östra 2, Sverige, centrala	Inte tillgängliga
Phi-3-medium-4k-instruct, Phi-3-medium-128k-instruct	Microsoft Managed Countries	USA, östra 2, Sverige, centrala	Inte tillgängliga

Innehållssäkerhet för modeller som distribueras via MaaS

Viktigt!

Den här funktionen är för närvarande i allmänt tillgänglig förhandsversion. Den här förhandsversionen tillhandahålls utan ett serviceavtal och vi rekommenderar det inte för produktionsarbetsbelastningar. Vissa funktioner kanske inte stöds eller kan vara begränsade.

Mer information finns i Kompletterande villkor för användning av Microsoft Azure-förhandsversioner.

För språkmodeller som distribueras via serverlösa API:er implementerar Azure AI en standardkonfiguration av textmodereringsfilter för Azure AI Content Safety som identifierar skadligt innehåll som hat, självskadebeteende, sexuellt och våldsamt innehåll. Mer information om innehållsfiltrering (förhandsversion) finns i skadekategorier i Azure AI Innehållssäkerhet.

Dricks

Innehållsfiltrering (förhandsversion) är inte tillgängligt för vissa modelltyper som distribueras via serverlösa API:er. Dessa modelltyper omfattar inbäddningsmodeller och tidsseriemodeller.

Innehållsfiltrering (förhandsversion) sker synkront när tjänsten bearbetar uppmaningar om att generera innehåll, och du kan debiteras separat enligt AACS-priser för sådan användning. Du kan inaktivera innehållsfiltrering (förhandsversion) för enskilda serverlösa slutpunkter, antingen vid den tidpunkt då du först distribuerar en språkmodell eller senare på sidan med distributionsinformation genom att välja växlingsknappen för innehållsfiltrering.

Anta att du bestämmer dig för att använda ett annat API än Azure AI Model Inference API för att arbeta med en modell som distribueras via ett serverlöst API. I sådana fall är innehållsfiltrering (förhandsversion) inte aktiverat om du inte implementerar det separat med hjälp av Azure AI Content Safety. Mer information om hur du kommer igång med Azure AI Content Safety finns i Snabbstart: Analysera textinnehåll. Om du inte använder innehållsfiltrering (förhandsversion) när du arbetar med modeller som distribueras via serverlösa API:er löper du en högre risk att utsätta användare för skadligt innehåll.

Nätverksisolering för modeller som distribueras via serverlösa API:er

Slutpunkter för modeller som distribueras som Serverlösa API:er följer flaggan för offentlig nätverksåtkomst (PNA) för arbetsytan där distributionen finns. Om du vill skydda Din MaaS-slutpunkt inaktiverar du PNA-flaggan på din arbetsyta. Du kan skydda inkommande kommunikation från en klient till slutpunkten med hjälp av en privat slutpunkt för arbetsytan.

Så här anger du PNA-flaggan för arbetsytan:

• Gå till Azure-portalen.
• Sök efter Azure Mašinsko učenje och välj din arbetsyta i listan över arbetsytor.
• På sidan Översikt använder du det vänstra navigeringsfönstret för att gå till Inställningar>Nätverk.
• Under fliken Offentlig åtkomst kan du konfigurera inställningar för åtkomstflaggan för offentligt nätverk.
• Spara dina ändringar. Det kan ta upp till fem minuter att sprida ändringarna.

Begränsningar

• Om du har en arbetsyta med en privat slutpunkt som skapats före den 11 juli 2024 följer inte nya MaaS-slutpunkter som lagts till på den här arbetsytan nätverkskonfigurationen. I stället måste du skapa en ny privat slutpunkt för arbetsytan och skapa nya serverlösa API-distributioner på arbetsytan så att de nya distributionerna kan följa arbetsytans nätverkskonfiguration.
• Om du har en arbetsyta med MaaS-distributioner som skapades före den 11 juli 2024 och du aktiverar en privat slutpunkt på den här arbetsytan följer inte de befintliga MaaS-distributionerna arbetsytans nätverkskonfiguration. För att serverlösa API-distributioner på arbetsytan ska kunna följa arbetsytans konfiguration måste du skapa distributionerna igen.
• För närvarande är stöd för Dina data inte tillgängligt för MaaS-distributioner på privata arbetsytor, eftersom privata arbetsytor har PNA-flaggan inaktiverad.
• Alla ändringar i nätverkskonfigurationen (till exempel aktivering eller inaktivering av PNA-flaggan) kan ta upp till fem minuter att sprida.

Läs mer

• Lär dig hur du använder grundläggande modeller i Azure Mašinsko učenje för finjustering, utvärdering och distribution med hjälp av Azure Mašinsko učenje Studio-användargränssnitt eller kodbaserade metoder.
• Utforska modellkatalogen i Azure Mašinsko učenje Studio. Du behöver en Azure Mašinsko učenje-arbetsyta för att utforska katalogen.
• Utvärdera, finjustera och distribuera modeller som har kurerats av Azure Mašinsko učenje.