今天凌晨，微軟研究院開源了目前最強小參數模型——phi-4。

　　去年12月12日，微軟首次展示了phi-4，參數只有140億性能卻極強，在GPQA研究生水平、MATH數學基準測試中，超過了OpenAI的GPT-4o，也超過了同類頂級開源模型Qwen2.5-14B和Llama-3.3-70B。

　　在美國數學競賽AMC的測試中phi-4更是達到了91.8分，超過了Gemini Pro1.5、GPT-4o、Claude3.5Sonnet、Qwen2.5等知名開閉源模型，甚至整體性能可以與4050億參數的Llama-3.1媲美。

　　當時很多人就希望微軟開源這款超強的小參數模型，甚至還有人在HuggingFace上傳盜版的phi-4權重。現在，終于開源了，并且支持MIT許可證下商業用途。

　　連HuggingFace官推都來祝賀，phi-4面子不小。

　　2025年美好的開始!有史以來最好的14B模型!!!

　　140參數的模型在MMLU獲得84.8分，太瘋狂了。恭喜!

　　謝謝你的模型和許可證變更!真棒。

　　你們都是英雄，趕緊下起來吧!

　　我期待Phi-4在Azure上實現無服務器功能。什么時候會可用?

　　小參數模型非常好。

　　Phi的小參數對于創意寫作來說是非常驚人的。

　　哇，phi-4模型能在蘋果的M4Pro筆記本上，以每秒約12個tokens的速度流暢運行，這太棒了，感謝!

　　phi-4簡單介紹

　　phi-4能以如此小的參數在眾多測試基準中打敗著名開閉源模型，高質量的合成數據發揮了重要作用。

　　與傳統的從網絡爬取的有機數據相比，高質量的合成數據更具優勢。合成數據能夠提供結構化、逐步的學習材料，使得模型能夠更加高效地學習語言的邏輯與推理過程。例如，在數學問題的解答中，合成數據可以按照解題步驟逐步呈現，幫助模型更好地理解問題的結構與解題思路。

　　此外，合成數據能夠更好地與模型的推理上下文對齊，更接近于模型在實際應用中需要生成的輸出格式，這有助于模型在預訓練階段就適應實際應用場景的需求。例如，將網絡論壇中的事實信息改寫成類似 大模型交互的風格，使得這些信息在模型生成的對話中更加自然、合理。

　　phi-4的合成數據生成遵循多樣性、細膩性與復雜性、準確性和推理鏈等原則。涵蓋了50多種不同類型的合成數據集，通過多階段提示流程、種子策劃、改寫與增強、自我修訂等多種方法，生成了約4000億個未加權的 tokens。

　　除了合成數據，phi-4還對有機數據進行了嚴格的篩選與過濾。研究團隊從網絡內容、授權書籍和代碼庫等多渠道收集數據，并通過兩階段過濾過程，提取出具有高教育價值和推理深度的種子數據。

　　這些種子數據為合成數據的生成提供了基礎，同時也直接用于預訓練，進一步豐富了模型的知識儲備。在篩選過程中，微軟采用了基于小分類器的過濾方法，從大規模網絡數據中挑選出高質量的文檔。還針對多語言數據進行了專門的處理，確保模型能夠處理包括德語、西班牙語、法語、葡萄牙語、意大利語、印地語和日語在內的多種語言。

　　預訓練方面，phi-4主要使用合成數據進行訓練，同時輔以少量的高質量有機數據。這種數據混合策略使得模型能夠在學習推理和問題解決能力的同時，也能夠吸收豐富的知識內容。

　　在中期訓練階段，phi-4將上下文長度從4096擴展到16384，以提高模型對長文本的處理能力。幫助模型進一步增加了對長文本數據的訓練，包括從高質量非合成數據集中篩選出的長于8K 上下文的樣本，以及新創建的滿足4K 序列要求的合成數據集。

　　后訓練階段是 phi-4優化模型的關鍵。微軟采用了監督微調（SFT）和直接偏好優化(DPO)技術。在 SFT 階段，使用來自不同領域的高質量數據生成的約8B tokens對預訓練模型進行微調，學習率為10-6，并添加了40種語言的多語言數據，所有數據均采用 chatml 格式。

　　DPO 技術則通過生成偏好數據來調整模型的輸出，使其更符合人類偏好。微軟還引入了關鍵tokens搜索(PTS)技術來生成DPO 對，該技術能夠識別對模型回答正確性有重大影響的關鍵tokens，并針對這些tokens創建偏好數據，從而提高模型在推理任務中的性能。

　　為了評估 phi-4的性能，微軟在多個基準測試上進行了測試。在學術基準測試方面，如 MMLU、GPQA、MATH、HumanEval 等，phi-4表現出色。

　　在 MMLU測試中，phi-4取得了84.8的高分，在 GPQA 和 MATH 測試中，甚至超越了GPT -4o，在數學競賽相關的任務中展現出強大的推理能力。在與其他類似規模和更大規模的模型比較中，phi-4在12個基準測試中的9個上優于同類開源模型 Qwen -2.5-14B - Instruct。