Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Gli strumenti Foundry consentono agli sviluppatori e alle organizzazioni di creare applicazioni basate su intelligenza artificiale, avanzate e pronte per la produzione in linea con le pratiche di intelligenza artificiale responsabile usando API e modelli predefiniti e personalizzabili.
Questo articolo descrive le funzionalità di elaborazione del linguaggio di destinazione fornite da Strumenti, tra cui elaborazione del linguaggio naturale, analisi del testo, comprensione della lingua, traduzione ed estrazione dei dati dei documenti. Include i servizi seguenti:
Azure Language in Foundry Tools è un servizio basato sul cloud che offre funzionalità di elaborazione del linguaggio naturale per la comprensione e l'analisi del testo, tra cui riconoscimento di entità denominate (NER), analisi del sentiment, rilevamento della lingua, riepilogo e risposta alle domande.
Azure Translator in Foundry Tools è un servizio di traduzione automatica. Fornisce traduzione testuale in tempo reale, traduzione di documenti in modalità batch e file singolo e traduzioni personalizzate che è possibile utilizzare per incorporare terminologia specializzata o linguaggio specifico del settore per il caso d'uso. Azure Translator supporta più lingue.
Azure Document Intelligence in Foundry Tools è un servizio che converte le immagini direttamente in moduli elettronici. È possibile specificare i campi previsti e le immagini di ricerca forniti per acquisire tali campi senza intervento umano. Azure Document Intelligence ospita molti modelli predefiniti. È anche possibile usarlo per creare modelli personalizzati.
Azure Content Understanding in Foundry Tools è un servizio che usa l'intelligenza artificiale generativa per estrarre campi definiti dallo schema dai documenti usando descrizioni del linguaggio naturale. Usare Azure Content Understanding quando il tipo di documento non ha un modello predefinito di Azure Document Intelligence, quando sono necessari punteggi di attendibilità e supporto per i flussi di lavoro automatizzati, o quando è necessario un output Markdown pronto per RAG.
Foundry Models è un servizio che fornisce modelli di intelligenza artificiale che è possibile usare direttamente tramite LE API per attività linguistiche come la generazione di contenuti, il riepilogo e la traduzione.
Linguaggio di Azure
Il linguaggio di Azure offre strumenti specializzati che connettono gli agenti ai servizi di elaborazione del linguaggio tramite protocolli standardizzati.
| Usare il linguaggio di Azure per queste attività | Non usare il linguaggio di Azure per queste attività |
|---|---|
| Creare applicazioni intelligenti usando Microsoft Foundry basato sul Web, le API REST e le librerie client. | Eseguire ricerche nei documenti usando la chat. Usare invece Ricerca intelligenza artificiale di Azure . |
| Usare documenti strutturati o non strutturati per l'ampia gamma di attività correlate al linguaggio descritte in questo articolo. | Controllare la sicurezza dei contenuti nei documenti. Usare invece Content Safety nel piano di controllo Foundry . |
| Tradurre documenti. Per la traduzione, usare Azure Translator. |
Strumenti del linguaggio di Azure disponibili
Il server MCP (Language Model Context Protocol) di Azure connette gli agenti direttamente ai servizi di linguaggio di Azure tramite mcp. Questa integrazione consente agli sviluppatori di creare applicazioni conversazionali con funzionalità di elaborazione del linguaggio naturale affidabili garantendo al tempo stesso la conformità di livello aziendale, la protezione dei dati e l'accuratezza dell'elaborazione in tutti i flussi di lavoro di intelligenza artificiale. Il linguaggio di Azure offre opzioni del server MCP sia remote che locali:
- Server remoto: Disponibile tramite il catalogo strumenti per le distribuzioni ospitate nel cloud.
- Server locale: Disponibile per gli sviluppatori che preferiscono ospitare il server nel proprio ambiente.
Agenti del linguaggio di Azure disponibili
La tabella seguente fornisce un elenco degli agenti disponibili in Linguaggio di Azure per scenari di intelligenza artificiale conversazionale.
| Agente | Descrizione |
|---|---|
| Agente di routing delle intenzioni | Gestisce i flussi di conversazione comprendendo le intenzioni degli utenti e fornendo risposte accurate nelle applicazioni di intelligenza artificiale conversazionale. Usa processi decisionali prevedibili combinati con la generazione di risposte controllate per garantire interazioni coerenti e affidabili. |
| Agente di risposta esatta alle domande | Fornisce risposte affidabili e letteralmente a domande aziendali importanti. Automatizza le domande frequenti mantenendo la supervisione umana e il controllo della qualità per garantire l'accuratezza e la conformità. |
Funzionalità disponibili del linguaggio di Azure
Nella tabella seguente è riportato un elenco delle funzionalità disponibili nel linguaggio di Azure.
| Feature | Descrizione |
|---|---|
| NER | Identifica voci diverse nel testo e le classifica in tipi predefiniti, ad esempio persone, eventi, luoghi e date. |
| Rilevamento dei dati personali e dei dati sanitari | Identifica le entità in testo e conversazioni, incluse le trascrizioni o le chat, associate a singoli utenti. Rileva e redatta informazioni riservate, ad esempio numeri di telefono, indirizzi di posta elettronica e forme di identificazione. |
| Rilevamento della lingua | Valuta il testo e rileva un'ampia gamma di lingue e dialetti. |
| Analisi del sentiment e estrazione di opinioni | Consente di comprendere la percezione pubblica del marchio o dell'argomento analizzando il testo per i segni di sentimento positivo o negativo e collegandoli a aspetti specifici del contenuto. |
| Riepilogo | Condensa le informazioni per il testo e le conversazioni. Supporta il riepilogo estrattivo che seleziona frasi chiave, il riepilogo astrattivo che genera nuove frasi concise, il riepilogo della conversazione che riassume riunioni con timestamp e il riepilogo per call center. |
| Estrazione frasi chiave | Valuta e restituisce i concetti principali nel testo non strutturato come elenco. |
| Collegamento di entità | Disambigua le identità delle entità, ad esempio parole o frasi, trovate in testo non strutturato e restituisce collegamenti a Wikipedia. Il collegamento di entità viene ritirato il 1° settembre 2028. È consigliabile eseguire la migrazione dei carichi di lavoro esistenti a NER. |
| Analisi del testo per la salute | Estrae ed etichetta informazioni mediche rilevanti da testi non strutturati come note del medico, resoconti di dimissione, documenti clinici, e cartelle cliniche elettroniche. Quando si progetta il carico di lavoro, valutare il percorso di elaborazione e la residenza dei dati di questa funzionalità ospitata nel cloud per assicurarsi che sia in linea con le aspettative di conformità. Alcuni carichi di lavoro potrebbero affrontare restrizioni che limitano la capacità di inviare dati sanitari a una piattaforma ospitata nel cloud. È possibile usare questa API come contenitore Docker per l'hosting nel proprio calcolo nel cloud o in locale. Questo processo consente di risolvere i problemi di conformità relativi all'uso delle offerte PaaS (Platform as a Service). Per altre informazioni, vedere Usare l'analisi testuale per i contenitori per la salute. |
| Classificazione personalizzata del testo | Crea modelli di intelligenza artificiale personalizzati per classificare i documenti di testo non strutturati in classi personalizzate definite dall'utente. |
| NER personalizzato | Crea modelli di intelligenza artificiale personalizzati per estrarre categorie di entità personalizzate, ad esempio etichette per parole o frasi, usando testo non strutturato fornito dall'utente. |
| Comprensione del linguaggio di conversazione (CLU) | Compila modelli di elaborazione del linguaggio naturale personalizzati per stimare la finalità dell'utente da ogni input ed estrarre informazioni importanti da esso. |
| Orchestrazione del flusso di lavoro | Connette le applicazioni CLU e di risposta alle domande . |
| Risposta a domande | Identifica la risposta più adatta per gli input dell'utente. Comunemente usato per creare applicazioni client conversazionali, ad esempio applicazioni di social media, chatbot e applicazioni desktop abilitate per il riconoscimento vocale. |
Scegliere una funzionalità del linguaggio di Azure
La tabella seguente fornisce un elenco dei possibili casi d'uso per il linguaggio di Azure. Se una funzionalità è personalizzabile, è possibile eseguire il training di un modello di intelligenza artificiale usando gli strumenti Microsoft per adattare i dati specifici. In caso contrario, la funzione è preconfigurata, il che significa che i suoi modelli di intelligenza artificiale rimangono invariati. L'utente fornisce i dati e utilizza l'output della funzionalità nelle applicazioni.
Traduttore Azure
Azure Translator è un servizio di traduzione automatica neurale (NMT) basato sul cloud. Azure Translator offre molti prodotti e servizi Microsoft che le aziende di tutto il mondo usano per la traduzione della lingua e altre attività correlate alla lingua.
| Usare Azure Translator per queste attività | Non usare Azure Translator per queste attività |
|---|---|
| Eseguire la traduzione in modo specifico. Azure Translator è più efficace e conveniente rispetto ai modelli linguistici di base per utilizzo generico grazie ai modelli di traduzione mirati. | Interagire con la chat. |
| Analizzare il contenuto del sentiment. Per l'analisi del sentiment, usare il linguaggio di Azure. | |
| Moderare il contenuto. Per la moderazione del contenuto, usare Content Safety. |
Funzionalità e opzioni di sviluppo
La tabella seguente fornisce un elenco delle funzionalità disponibili in Azure Translator.
| Feature | Descrizione |
|---|---|
| Traduzione testuale (anteprima) | Usare la versione 2025-10-01-preview per selezionare NMT standard o una distribuzione del modello linguistico (GPT-4o-mini o GPT-4o) per tradurre il testo. È necessaria una risorsa Foundry per usare una distribuzione del modello linguistico. |
| Traduzione testuale v3 (GA) | Tradurre il testo tra le lingue di origine e di destinazione supportate in tempo reale. Creare un dizionario dinamico e informazioni su come impedire le traduzioni usando l'API Di Azure Translator. |
| Traduzione asincrona dei documenti | Tradurre file batch e complessi mantenendo al tempo stesso la struttura e il formato dei documenti originali. Il processo di traduzione batch richiede un account di archiviazione BLOB di Azure con contenitori per i documenti di origine e tradotti. |
| Traduzione sincrona dei documenti | Tradurre un singolo file di documento da solo o con un file di glossario mantenendo al tempo stesso la struttura e il formato del documento originale. Il processo di conversione dei file non richiede un account di archiviazione BLOB. La risposta finale contiene il documento tradotto e viene restituita direttamente al client chiamante. |
| Traduttore personalizzato | Creare modelli personalizzati per tradurre il linguaggio, la terminologia e lo stile specifici del settore e del dominio. Creare un dizionario di frasi o frasi per traduzioni personalizzate. |
Suggerimento
Usare Foundry per le attività di traduzione di documenti sincrone e di testo tramite un'interfaccia senza codice.
Casi d'uso
La tabella seguente fornisce un elenco dei possibili casi d'uso per Azure Translator.
| Caso d'uso | Documentazione |
|---|---|
| Tradurre testo specifico del settore. | Traduttore personalizzato |
| Tradurre testo generico non specifico di un settore. | Traduzione testo |
Intelligence sui documenti di Azure
Usare Azure Document Intelligence per automatizzare l'elaborazione dei documenti in applicazioni e flussi di lavoro, migliorare le strategie guidate dai dati e arricchire le funzionalità di ricerca dei documenti.
| Usare Azure Document Intelligence per queste attività | Non usare Azure Document Intelligence per queste attività |
|---|---|
| Estrarre campi specifici da tipi di documenti noti con un modello predefinito, ad esempio fatture, ricevute, W-2 o documenti ID. | Estrarre campi da tipi di documento personalizzati che non dispongono di un modello predefinito e richiedono un'estrazione flessibile e definita dallo schema. Usa Azure Content Understanding invece. |
| Elaborare volumi elevati di documenti strutturati o semistrutturati quando è necessaria un'estrazione deterministica e a bassa variabilità. | Creare pipeline RAG che richiedono un output formattato in Markdown con figure incorporate, una gerarchia strutturata di sezioni e una struttura predisposta per l'elaborazione a blocchi. Usa Azure Content Understanding invece. |
| Eseguire l'addestramento di modelli neurali o personalizzati su set di dati etichettati per i tipi di documento specifici dell'azienda. | Richiedere punteggi di attendibilità e contesto per ogni campo estratto per guidare i flussi di lavoro di revisione umana nel processo. Usa Azure Content Understanding invece. |
| Identificare strutture chiave, ad esempio intestazioni, piè di pagina e interruzioni di capitolo, in raccolte diverse di documenti per interagire ulteriormente a livello di codice con il documento. |
Modelli di analisi dei documenti
I modelli di analisi dei documenti estraggono testo da moduli e documenti e restituiscono contenuti strutturati e pronti per l'azienda.
| Modello | Descrizione |
|---|---|
| Leggere | Estrarre testo stampato e scritto a mano dai documenti. Usare per digitalizzare documenti, attività di conformità e controllo ed elaborazione di note scritte a mano. |
| Impaginazione | Estrarre testo, tabelle e struttura del documento. Utilizzare per l'indicizzazione e il recupero dei documenti in base alla struttura e per l'analisi di report finanziari e medici. |
Documentare modelli predefiniti
I modelli predefiniti aggiungono l'elaborazione intelligente dei documenti alle app e ai flussi senza dover eseguire il training e la creazione di modelli personalizzati.
| Modello | Descrizione |
|---|---|
| Fattura | Estrarre i dettagli del cliente e del fornitore dalle fatture. Utilizzo per l'elaborazione della contabilità fornitori e per la registrazione e la creazione automatizzata di report fiscali. |
| Ricevuta | Estrarre i dettagli delle transazioni di vendita dalle ricevute. Uso per la gestione delle spese, l'analisi dei dati sul comportamento dei consumatori e l'elaborazione dei resi della merce. |
| Identità | Estrarre le informazioni sulla chiave da passaporti, carte ID e patenti di guida. Usare per la conformità Know Your Customer (KYC), la gestione degli account medici e i checkpoint di identità. |
| Tessera sanitaria | Estrarre le informazioni chiave dalle carte di assicurazione sanitaria degli Stati Uniti, ad esempio assicuratore, membro e numero di gruppo. Utilizzare per la verifica della copertura e dell'idoneità e l'analisi basata su valori. |
| contratto | Estrarre i dettagli dell'accordo e delle parti dai contratti in vari formati, inclusi documenti digitalizzati e PDF digitali. |
| Carta di credito | Estrarre i campi chiave dalle carte di credito e di debito, ad esempio il numero di carta, la banca emittente e la data di scadenza. |
| Estratto conto bancario | Estrarre le informazioni sul conto e i dettagli delle transazioni dai rendiconti bancari. Uso per l'elaborazione delle imposte, la gestione contabilità e l'elaborazione della documentazione sui prestiti. |
| Assegno bancario | Estrarre informazioni rilevanti dai controlli. Uso per la gestione del credito e la gestione automatizzata del credito. |
| Bozza di pagamento | Estrarre i dettagli della busta paga. Usare per la verifica dei dettagli delle retribuzioni dei dipendenti e il rilevamento delle frodi. |
| Certificato di matrimonio | Estrarre informazioni certificate sul matrimonio dai certificati di matrimonio degli Stati Uniti. |
| Documenti ipotecari statunitensi | Estrarre i dettagli della domanda di prestito dai moduli 1003, 1004, 1005 e 1008 e dalle dichiarazioni di chiusura. Usare per i requisiti di documentazione di Fannie Mae e Freddie Mac. |
| Documenti fiscali degli Stati Uniti | Estrarre informazioni dalle variazioni di modulo fiscale W-2, 1098, 1099 e 1040. Utilizzo per la gestione automatica dei documenti fiscali e l'elaborazione delle richieste di prestito ipotecario. |
Modelli personalizzati
Addestrare modelli personalizzati usando i set di dati etichettati per estrarre dati specifici da moduli e documenti specifici per i propri casi d'uso.
| Modello | Descrizione |
|---|---|
| Neurale personalizzato | Estrarre dati da documenti di tipo misto, inclusi documenti strutturati come sondaggi e questionari, documenti semistrutturati come fatture e ordini di acquisto e documenti non strutturati come contratti e lettere. |
| Modello personalizzato | Estrarre valori e campi etichettati da documenti strutturati e semistrutturati che hanno definito modelli visivi o layout visivi comuni. |
| Composto personalizzato | Combinare una raccolta di modelli personalizzati per analizzare tipi di modulo simili, ad esempio gli ordini di acquisto. |
| Classificatore personalizzato | Identificare i tipi o le classi di documenti designati prima di richiamare un modello di estrazione. Utilizzare per i pacchetti di domanda di prestito che contengono moduli applicativi, bollette di pagamento e rendiconti bancari. |
Funzionalità dei componenti aggiuntivi
Azure Document Intelligence supporta le funzionalità facoltative seguenti che è possibile attivare o disattivare a seconda dello scenario di estrazione dei documenti:
- Estrazione ad alta risoluzione
- Estrazione di formule
- Estrazione delle proprietà dei tipi di carattere
- Estrazione delle proprietà del codice a barre
- PDF ricercabile
- Campi di query
- Coppie chiave-valore
Per altre informazioni sugli scenari di modello, vedere Scegliere un modello di Intelligence per documenti di Azure.
Informazioni sui contenuti di Azure
Azure Content Understanding usa l'intelligenza artificiale generativa per estrarre campi strutturati dai documenti in base a uno schema definito nel linguaggio naturale. A differenza di Azure Document Intelligence, che si basa su modelli di Machine Learning con pre-addestramento o addestramento personalizzato associati a layout di documenti specifici, Azure Content Understanding usa modelli generativi per analizzare il contenuto dei documenti e generare output Markdown allineato allo schema o pronto per RAG. Fornisce anche punteggi di attendibilità per campo e ancoraggio. Usare queste funzionalità per automatizzare i flussi di lavoro con revisione umana mirata.
| Usare Informazioni sul contenuto di Azure per queste attività | Non usare La comprensione dei contenuti di Azure per queste attività |
|---|---|
| Estrarre campi dai tipi di documento che non dispongono di un modello predefinito di Document Intelligence di Azure usando le definizioni di schema scritte in linguaggio naturale. | Estrarre campi da tipi di documento standard con un modello predefinito di Azure Document Intelligence esistente. Azure Document Intelligence è più conveniente e deterministico per questi scenari. |
| Crea pipeline RAG che richiedono output Markdown che mantenga il layout, le intestazioni, le tabelle, le figure e le annotazioni per l'indicizzazione vettoriale. | Elaborare volumi elevati di documenti semplici e strutturati quando è necessario ridurre al minimo la variabilità e i costi del modello linguistico. Usare Azure Document Intelligence invece. |
| Guidare i flussi di lavoro di automazione che richiedono punteggi di affidabilità specifici per ogni campo e un collegamento, al fine di instradare i record con bassa affidabilità verso la revisione umana. | Eseguire attività linguistiche per utilizzo generico, ad esempio riepilogo o analisi del sentiment. Usa invece Azure Language o Models. |
| Classificare i tipi di documento prima di instradarli all'analizzatore appropriato in una pipeline di documenti misti. |
Funzionalità di Comprensione dei contenuti di Azure disponibili per i documenti
La tabella seguente fornisce un elenco delle funzionalità del documento disponibili in Informazioni sul contenuto di Azure.
| Feature | Descrizione |
|---|---|
| Estrazione contenuto | Trasforma i documenti non strutturati in dati strutturati e leggibili dal computer. Acquisisce testo stampato e scritto a mano, marchi di selezione, codici a barre, formule matematiche, elementi dell'immagine, collegamenti ipertestuali e annotazioni. Mantiene la struttura del documento, inclusi paragrafi, tabelle, sezioni gerarchiche ed elementi della figura. |
| Estrazione di campi | Estrae coppie chiave-valore strutturate dai documenti in base a uno schema definito dall'utente. Estrarre i campi direttamente dall'origine, classificarli da un set predefinito di categorie o generarli usando un modello generativo. I punteggi di attendibilità e l'aggancio sono disponibili per ogni campo come funzionalità opzionale. |
| Analizzatori di documenti predefiniti | Analizzatori pronti all'uso per scenari aziendali comuni, tra cui la gestione del ciclo di vita del contratto, le applicazioni di prestito e mutui, i report finanziari, la gestione delle spese e gli scenari della Knowledge Base. |
| Output RAG | Produce un output in formato Markdown che mantiene la struttura del documento da usare negli archivi vettoriali e negli indici di ricerca. Supporta le descrizioni delle figure, l'analisi del layout e il rilevamento delle annotazioni in modo che i flussi di lavoro di recupero possano accedere al contenuto trascurato dalla suddivisione in blocchi standard. |
Casi d'uso
La tabella seguente fornisce un elenco dei possibili casi d'uso per Informazioni sui contenuti di Azure per i documenti.
| Caso d'uso | Descrizione |
|---|---|
| Gestione del ciclo di vita del contratto | Estrarre campi chiave, clausole e obblighi da vari tipi di contratto senza addestrare un modello specifico per layout. |
| Elaborazione di richieste di prestito e mutuo | Automatizzare l'elaborazione della documentazione di supporto supplementare da formati e modelli diversi che vanno oltre a quanto supportato dai modelli predefiniti di Azure Document Intelligence. |
| Gestione spese | Analizzare ricevute e fatture da vari rivenditori e formati usando l'estrazione definita dallo schema con punteggi di attendibilità per contrassegnare i record che necessitano di revisione umana. |
| Inserimento di documenti RAG | Convertire documenti non strutturati in asset di dati strutturati e ricercabili con output Markdown con mantenimento del layout da usare nelle pipeline di ricerca RAG e nei flussi di lavoro degli agenti. |
| Classificazione e routing di documenti misti | Classificare i documenti in ingresso per tipo e instradare ogni tipo all'analizzatore appropriato. Questo approccio consente l'automazione end-to-end delle pipeline che ricevono più tipi di documento. |
Models
I modelli forniscono l'accesso a un catalogo di modelli di base di Microsoft, OpenAI e altri provider leader. Questi modelli possono eseguire attività linguistiche generiche come la generazione di contenuti, il riepilogo, la traduzione e le interazioni conversazionali.
| Usare modelli per queste attività | Prendere in considerazione servizi specializzati quando sono necessarie queste funzionalità |
|---|---|
| Generare contenuto creativo, bozze o varianti di testo. | Attività di elaborazione del linguaggio naturale coerenti e ripetibili, ad esempio NER o analisi del sentiment su larga scala. Il linguaggio di Azure offre API ottimizzate e convenienti per queste attività specifiche. |
| Riepilogare documenti lunghi o conversazioni. | Traduzione per grandi volumi di documenti mantenendo al tempo stesso la formattazione. Azure Translator è ottimizzato per la qualità della traduzione e la conservazione della struttura dei documenti. |
| Creare esperienze di intelligenza artificiale conversazionale e chatbot. | Estrazione di dati strutturati da moduli e fatture con accuratezza elevata. Azure Document Intelligence fornisce modelli predefiniti sottoposti a training in modo specifico per i tipi di documento. |
| Rispondere a domande generali in base al contesto fornito. | |
| Esegui compiti linguistici imprevisti con suggerimenti flessibili. |
Modelli disponibili
I modelli includono i seguenti modelli di intelligenza artificiale di diversi fornitori.
| Famiglia di modelli | Descrizione |
|---|---|
| GPT-4o e GPT-4o mini | I modelli OpenAI multimodali che possono elaborare sia testo sia immagini, con precisione e velocità di risposta ottimizzate per le attività relative al testo e di codifica in inglese. |
| Serie GPT-4.1 | Modelli di elaborazione di testo e immagini OpenAI con finestre di contesto di grandi dimensioni (fino a un milione di token) per la gestione di documenti estesi. |
| Famiglia GPT-5 | I modelli di punta di ultima generazione di OpenAI con ragionamento avanzato, funzionalità multimodali e migliorato nel seguire le istruzioni. Questi modelli soddisfano attività di linguaggio complesse e in più passaggi che richiedono un'accuratezza elevata. |
| serie o (o3, o4-mini) | Modelli di ragionamento OpenAI progettati per attività avanzate di risoluzione dei problemi che richiedono maggiore attenzione e capacità in aree come scienza, codifica e matematica. |
| Famiglia Phi-4 | Modelli linguistici di piccole dimensioni (SLM) di Microsoft ottimizzati per motivi complessi. Phi-4 (parametri 14B) eccelle in scenari a bassa latenza, mentre Phi-4-reasoning e Phi-4-mini-reasoning offrono funzionalità di ragionamento specializzate per le attività di risoluzione dei problemi in più passaggi che richiedono meno risorse. Supporta più di 40 lingue. |
| DeepSeek | Modelli a peso aperto, inclusi DeepSeek-R1 per le attività di ragionamento e DeepSeek-V3 serie per la comprensione del linguaggio per utilizzo generico. Nota per prestazioni elevate sulla codifica e sui benchmark matematici di ragionamento. |
| Grok | Modelli xAI, tra cui Grok-3, Grok-4 e varianti specializzate per il ragionamento e la codifica delle attività. Disponibile in configurazioni di ragionamento rapido e non ragionamento. |
| Lama | I modelli aperti di Meta, tra cui Llama-3.3-70B-Instruct e Llama-4-Maverick per attività linguistiche per utilizzo generico. |
| Mistral | Modelli di intelligenza artificiale europei, tra cui Mistral-Large-3 e mistral-document-ai per scenari di elaborazione dei documenti. |
| Incorporamento di modelli | Modelli di più provider che convertano il testo in formato vettoriale numerico per facilitare la somiglianza del testo e la ricerca semantica. |
Per un elenco completo dei modelli disponibili e della disponibilità a livello di area, vedere Modelli venduti direttamente da Azure.
Inizia subito
Per iniziare a usare i modelli per le attività linguistiche, adottare uno degli approcci seguenti:
Approccio senza codice: Usare il playground della chat nel portale foundry per distribuire modelli e richieste di test in modo interattivo.
Approccio basato sul codice: Usare Foundry SDK per integrare i modelli nelle applicazioni usando Python, C#, TypeScript o Java.