مدل جدید Phi 4 هوش مصنوعی مایکروسافت که از قابلیت‌های بالایی برخوردار است، عملکردی مشابه با سیستم‌های بسیار بزرگتر دارد.

مایکروسافت روز چهارشنبه چندین مدل هوش مصنوعی "باز" جدید معرفی کرد که قدرتمندترین آن‌ها در حداقل یک معیار با مدل o3-mini اوپن‌ای‌آی رقابت می‌کند.

تمامی مدل‌های جدید با مجوزهای باز — Phi 4 mini reasoning، Phi 4 reasoning و Phi 4 reasoning plus — مدل‌های "استدلالی" هستند، به این معنی که قادرند زمان بیشتری را برای بررسی صحت راه‌حل‌ها برای مشکلات پیچیده اختصاص دهند. این مدل‌ها خانواده مدل‌های "کوچک" Phi مایکروسافت را گسترش می‌دهند که شرکت یک سال پیش برای ارائه یک پایه برای توسعه‌دهندگان هوش مصنوعی که در حال ساخت اپلیکیشن‌های مبتنی بر لبه (Edge) هستند، معرفی کرد.

Phi 4 mini reasoning روی تقریبا ۱ میلیون مسئله ریاضی مصنوعی که توسط مدل استدلالی R1 استارتاپ هوش مصنوعی چینی DeepSeek تولید شده‌اند، آموزش داده شده است. این مدل با اندازه ۳.۸ میلیارد پارامتر برای اپلیکیشن‌های آموزشی طراحی شده است، طبق گفته مایکروسافت، مانند "تدریس درون‌ساخت" بر روی دستگاه‌های سبک. پارامترها به طور تقریبی مهارت‌های حل مسئله یک مدل را نشان می‌دهند، و مدل‌هایی که پارامترهای بیشتری دارند معمولاً عملکرد بهتری نسبت به مدل‌هایی با پارامترهای کمتر دارند.

Phi 4 reasoning، که یک مدل با ۱۴ میلیارد پارامتر است، با استفاده از داده‌های وب "با کیفیت بالا" و همچنین "نمایش‌های انتخاب‌شده" از o3-mini اوپن‌ای‌آی آموزش داده شده است. این مدل بهترین عملکرد را برای اپلیکیشن‌های ریاضی، علوم و کدنویسی دارد، طبق گفته مایکروسافت. در مورد Phi 4 reasoning plus، این مدل نسخه استدلالی مدل قبلی Phi-4 مایکروسافت است که به منظور دستیابی به دقت بهتر در وظایف خاص تطبیق داده شده است. مایکروسافت ادعا می‌کند که Phi 4 reasoning plus به سطح عملکرد R1 نزدیک می‌شود، مدلی که پارامترهای بیشتری (۶۷۱ میلیارد) دارد.

بنابر تست‌های داخلی مایکروسافت، Phi 4 reasoning plus در تست OmniMath (یک آزمون مهارت‌های ریاضی) عملکرد مشابه o3-mini دارد. مدل‌های Phi 4 mini reasoning، Phi 4 reasoning و Phi 4 reasoning plus هم‌اکنون در پلتفرم توسعه‌دهندگان هوش مصنوعی Hugging Face همراه با گزارش‌های فنی مفصل در دسترس هستند. مایکروسافت در یک پست وبلاگ نوشت: «با استفاده از تقطیر، یادگیری تقویتی و داده‌های با کیفیت بالا، این مدل‌های جدید تعادلی میان اندازه و عملکرد برقرار می‌کنند. این مدل‌ها به اندازه کافی کوچک هستند تا در محیط‌های با تأخیر پایین عمل کنند، اما توانایی‌های استدلالی قوی‌ای دارند که با مدل‌های بسیار بزرگ‌تر رقابت می‌کنند. این ترکیب به دستگاه‌های با منابع محدود نیز امکان انجام وظایف پیچیده استدلالی به‌طور مؤثر را می‌دهد.»

منبع:techcrunch