مایکروسافت روز چهارشنبه از چندین مدل جدید هوش مصنوعی “باز” رونمایی کرد که از قابلیتهای بالایی برخوردار هستند و در برخی معیارها با مدل o3-mini از OpenAI رقابت میکنند. تمامی این مدلها تحت مجوزهای نسبتاً آزاد قرار دارند و شامل مدلهای “Phi 4 mini reasoning”، “Phi 4 reasoning” و “Phi 4 reasoning plus” میشوند که بهطور خاص به تواناییهای استدلالی مجهز هستند. این بدان معناست که این مدلها میتوانند زمان بیشتری را برای راستیآزمایی راهحلها در مسائل پیچیده صرف کنند.
مایکروسافت، این خانواده مدلهای “کوچک” Phi را یک سال پیش معرفی کرده بود تا به عنوان پایهای برای توسعهدهندگان هوش مصنوعی در ساخت برنامههای کاربردی در محیطهای کممنابع عمل کند. مدل “Phi 4 mini reasoning” بر اساس تقریباً یک میلیون مسئله ریاضی سنتزی که توسط مدل R1 استدلالی استارتاپ چینی DeepSeek تولید شده بود، آموزش داده شده است. این مدل دارای حدود 3.8 میلیارد پارامتر است و برای برنامههای آموزشی، نظیر “آموزش درونساخت” بر روی دستگاههای سبک طراحی شده است. پارامترها معمولاً با مهارتهای حل مسئله یک مدل مطابقت دارند و مدلهایی که پارامترهای بیشتری دارند، عموماً عملکرد بهتری از خود نشان میدهند.
مدل “Phi 4 reasoning” با 14 میلیارد پارامتر، با استفاده از دادههای وب “با کیفیت بالا” و همچنین “نمایشهای انتخابشده” از مدل o3-mini آموزش دیده است. به گفته مایکروسافت، این مدل برای برنامههای مرتبط با ریاضی، علوم و برنامهنویسی مناسبتر است. همچنین “Phi 4 reasoning plus” نسخهای از مدل قبلی Phi-4 مایکروسافت است که به یک مدل استدلالی تبدیل شده تا دقت بهتری در انجام وظایف خاص داشته باشد. مایکروسافت ادعا میکند که “Phi 4 reasoning plus” به سطوح عملکردی مدل R1 نزدیک میشود، مدلی که پارامترهای بیشتری (671 میلیارد) دارد. بر اساس سنجشهای داخلی مایکروسافت، “Phi 4 reasoning plus” در تست مهارتهای ریاضی OmniMath با o3-mini رقابت میکند.
این مدلها در پلتفرم توسعهدهندگان هوش مصنوعی Hugging Face در دسترس هستند و همراه با گزارشهای فنی دقیق ارائه شدهاند. مایکروسافت در پستی وبلاگی نوشت: “استفاده از تقطیر، یادگیری تقویتی و دادههای با کیفیت، این مدلهای جدید را متعادل کرده تا هم از نظر اندازه و هم از نظر عملکرد بهینه باشند. این مدلها به اندازهای کوچک هستند که در محیطهای با تأخیر کم قابل اجرا باشند، اما در عین حال قابلیتهای استدلالی قوی را در برابر مدلهای بسیار بزرگ حفظ میکنند. این ترکیب اجازه میدهد تا حتی دستگاههای با منابع محدود نیز بهطور مؤثر وظایف پیچیده استدلالی را انجام دهند.”