Рекомендуемые модели каталога моделей ИИ Azure

Каталог моделей ИИ Azure предлагает большой выбор моделей из широкого спектра поставщиков. У вас есть различные варианты развертывания моделей из каталога моделей. В этой статье перечислены рекомендуемые модели в каталоге моделей, которые можно развернуть и разместить на серверах Майкрософт с помощью бессерверных API. Для некоторых из этих моделей их также можно разместить в инфраструктуре для развертывания с помощью управляемых вычислений. Смотрите Доступные модели для поддерживаемых вариантов развертывания, чтобы найти модели в каталоге, доступные для развертывания через управляемое вычисление или бессерверный API.

Для выполнения вывода с моделями некоторые модели, такие как TimeGEN-1 от Nixtla и Cohere rerank, требуют использования пользовательских API от поставщиков модели. Другие поддерживают инференцию с помощью модели Azure ИИ. Дополнительные сведения об отдельных моделях можно найти, просмотрев их карточки моделей в каталоге моделей ИИ Azure.

Модели семейства Jamba — это крупные языковые модели (LLM) уровня производства от AI21, основанные на Mamba, которые используют гибридную архитектуру Mamba-Трансформера от AI21. Это версия гибридной модели трансформера Jamba с инструкционной настройкой, разработанная AI21 и использующей модель структурированного пространства состояний (SSM). Семейные модели Jamba создаются для надежного коммерческого использования с учетом качества и производительности.

См . эту коллекцию моделей в каталоге моделей искусственного интеллекта Azure.

Служба Azure OpenAI предлагает разнообразный набор моделей с разными возможностями и ценовыми точками. Эти модели включают:

• Современные модели, разработанные для решения задач рассуждения и решения проблем с повышенной фокусировкой и возможностями
• Модели, которые могут понять и создать естественный язык и код
• Модели, которые могут транскрибировать и переводить речь в текст

См . эту коллекцию моделей в каталоге моделей искусственного интеллекта Azure.

Семейство моделей Cohere включает различные модели, оптимизированные для разных сценариев использования, включая переподборку, завершение сеансов чата и модели вложений.

В следующей таблице перечислены модели Cohere, которые можно вывести с помощью вывода модели ИИ Azure.

Дополнительные примеры использования моделей Cohere см. в следующих примерах:

В следующей таблице перечислены модели повторной ранжировки Cohere. Для выполнения инференции с этими моделями повторного ранжирования необходимо использовать пользовательские API для повторного ранжирования Cohere, перечисленные в таблице.

Запросы, которые не следует путать с запросом пользователя, — это счетчик цен, который ссылается на стоимость, связанную с маркерами, используемыми в качестве входных данных для вывода модели Cohere Rerank. Cohere считает одной единицей поиска запрос, содержащий до 100 документов, которые будут ранжированы. Документы длиной более 500 токенов (для Cohere-rerank-v3.5) или более 4096 токенов (для Cohere-rerank-v3-english и Cohere-rerank-v3-многоязычный) при включении длины поискового запроса разделяются на несколько блоков, где каждый блок учитывается как один документ.

См. коллекцию моделей Cohere в каталоге моделей ИИ Azure.

Core42 включает в себя авторегрессионные двуязычные языковые модели (LLM) для арабского и английского языка с передовыми возможностями, ориентированными на арабский язык.

См . эту коллекцию моделей в каталоге моделей искусственного интеллекта Azure.

Дополнительные примеры использования моделей Jais см. в следующих примерах:

Семейство моделей DeepSeek включает DeepSeek-R1, который превосходен в задачах рассуждения, используя пошаговый процесс обучения, таких как задачи лингвистики, научного рассуждения и программирования, DeepSeek-V3-0324, языковую модель на основе смеси экспертов (Mixture-of-Experts, MoE) и другие.

Для получения руководства по DeepSeek-R1 см. Руководство: Начало работы с моделью рассуждений DeepSeek-R1 в службах анализа модели искусственного интеллекта Azure.

См . эту коллекцию моделей в каталоге моделей искусственного интеллекта Azure.

Дополнительные примеры использования моделей DeepSeek см. в следующих примерах:

Модели и инструменты Meta Llama — это коллекция предварительно обученных и точно настроенных генеративных моделей ИИ для работы с текстами и изображениями. Диапазон метаданных моделей масштабируется для включения:

• Небольшие языковые модели (SLM), такие как 1B и 3B Base и модели Instruct, для вывода на устройствах и выводов на периферии.
• Средние крупные языковые модели (LLMs), такие как 7B, 8B и 70B Base и модели Instruct
• Высокопроизводительные модели, такие как Meta Llama 3.1-405B Instruct, используются для генерации синтетических данных и сценариев дистилляции.
• Высокопроизводительные изначально многомодальные модели Llama 4 Scout и Llama 4 Maverick используют сочетание экспертных методов архитектуры для достижения ведущих результатов в распознавании текста и изображений.

См . эту коллекцию моделей в каталоге моделей искусственного интеллекта Azure.

Дополнительные примеры использования моделей Meta Llama см. в следующих примерах:

Модели Майкрософт включают различные группы моделей, такие как модели MAI, модели Phi, модели ИИ здравоохранения и многое другое. Чтобы просмотреть все доступные модели Майкрософт, просмотрите коллекцию моделей Майкрософт на портале Azure AI Foundry.

Дополнительные примеры использования моделей Майкрософт см. в следующих примерах:

См. коллекцию моделей Майкрософт в каталоге моделей искусственного интеллекта Azure.

Мистраль ИИ предлагает две категории моделей, а именно:

• Модели премиум-класса: в это число входят модели "Мистраль Большой", "Мистраль Малый", "Мистраль-OCR-2503" и "Министраль 3B" и доступны как бессерверные API с оплатой по мере использования токенов.
• Открытые модели: к ним относятся Мистраль-малый-2503, Codestral и Mistral Nemo (которые доступны как бессерверные API с выставлением счетов по мере использования токенов) и Mixtral-8x7B-Instruct-v01, Mixtral-8x7B-v01, Mistral-7B-Instruct-v01 и Mistral-7B-v01(которые доступны для скачивания и запуска на локальных управляемых конечных точках).

См . эту коллекцию моделей в каталоге моделей искусственного интеллекта Azure.

Дополнительные примеры использования Мистральных моделей см. в следующих примерах и руководствах.

TimeGEN-1 в Nixtla — это созданная предварительно обученная модель прогнозирования и обнаружения аномалий для данных временных рядов. TimeGEN-1 может создавать точные прогнозы для новых временных рядов без обучения, используя только исторические значения и экзогенные ковариации в качестве входных данных.

Для выполнения инференции TimeGEN-1 необходимо использовать пользовательский API для инференции Nixtla.

Прежде чем создать развертывание TimeGEN-1, полезно оценить количество токенов, которые вы планируете использовать и за которые будет выставлен счет. Один маркер соответствует одной точке данных в входном наборе данных или выходном наборе данных.

Предположим, что у вас есть следующий входной набор данных временных рядов:

Чтобы определить количество маркеров, умножьте количество строк (в этом примере два) и количество столбцов, используемых для прогнозирования, не подсчитывая столбцы unique_id и метки времени (в этом примере три), чтобы получить всего шесть маркеров.

Учитывая следующий выходной набор данных:

Кроме того, можно выяснить количество токенов, подсчитав количество данных, возвращенных после прогноза. В этом примере количество токенов равно двум.

Существует четыре счетчика цен, определяющих цену, которую вы оплачиваете. Эти метры приведены следующим образом:

См. коллекцию моделей Nixtla в каталоге моделей ИИ Azure.

tsuzumi — это оптимизированный авторегрессионный языковой преобразователь. Настроенные версии используют контролируемую тонкую настройку (SFT). tsuzumi обрабатывает как японский, так и английский язык с высокой эффективностью.

Коллекция моделей генерации изображений компании Stability AI включает Stable Image Core, Stable Image Ultra и Stable Diffusion 3.5 Large. Stable Diffusion 3.5 Large позволяет использование изображений и текста в качестве ввода.

Модели Stability AI, развернутые в бессерверных API, внедряют API вывода модели ИИ Azure на маршруте /image/generations. Примеры использования моделей ИИ стабильности см. в следующих примерах:

• Используйте SDK OpenAI с моделями Stability AI для запросов 'текст в изображение'
• Используйте библиотеку Requests с моделями Stability AI для запросов преобразования текста в изображение
• Используйте библиотеку Requests с Stable Diffusion 3.5 Large для запросов на преобразование изображений
• Пример полнокодированного ответа на создание изображения

• Развертывание моделей в качестве конечных точек API без сервера
• Каталог моделей и коллекции
• Доступность регионов для моделей в конечных точках API без сервера
• Безопасность контента для моделей, отобранных ИИ Azure в каталоге моделей