Microsoft Phi-4
Microsoft · 程式設計 · 其他
Microsoft Phi-4 是為數學與複雜推理打造的 14B 開放小型語言模型，鎖定想在沒有雲端規模硬體下取得好結果的開發者。
關於 Microsoft Phi-4
什麼是 Microsoft Phi-4
Microsoft Phi-4 屬於 Microsoft 開發的 Phi 系列小型語言模型（SLM），目標是把夠力的 AI 帶到裝置與邊緣系統上。大型前沿模型需要 GPU 叢集，Phi-4 卻把足跡壓到小得多，同時仍能處理困難的推理。它是 140 億參數的模型，最突出的本事是數學。Microsoft 部分以高品質合成資料與精選網路內容訓練它，公司表示這個選擇把它的推理分數推到遠高於其規模應有的水準。
訴求很直接。你想要一個能在單張 GPU 上執行、塞得進應用程式、還能解多步驟數學或邏輯問題的模型？Phi-4 是這個重量級別裡較鋒利的選項之一。它以 MIT 授權釋出，所以你能商用、修改，並放進自己的產品裡。
主要限制在範圍。Phi-4 只處理文字。基礎模型不吃影像或音訊，所以任何視覺內容都需要像 Phi-4-multimodal 這樣的兄弟模型。它的知識也大約在 2024 年 6 月截止。而且它很小，遇到冷門事實仍可能出錯，那是更大的模型才接得住的。至於創意寫作與廣泛的世界知識，較大的模型通常勝出。
開始使用
- 挑一條取用路徑：從 Hugging Face 拉權重，或透過 Azure AI Foundry 呼叫模型。
- 取得模型卡與 Phi Cookbook，看建議的提示格式與範例程式碼。
- 用支援該架構的框架在本機執行，或把請求送到託管端點。
- 用你自己的數學與推理提示測試。再依任務調整溫度與提示結構。
- 若基礎行為不夠貼近，用自有資料做微調。接著部署到目標裝置或服務。
產品資訊
快速了解 Microsoft Phi-4 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 打造裝置端推理應用的開發者：Phi-4 讓推論留在本機，只要目標硬體記憶體足以容納 14B 模型，就能避開每次呼叫的雲端費用與網路延遲。
- 鑽研數學或邏輯問題的研究人員與學生：這個模型很會逐步推理，但仍要驗證輸出，因為它還是可能出錯。
- 需要可商用模型的團隊：MIT 授權去掉了大半法律摩擦。不過授權與模型卡還是自己讀一遍。
任務
- 解多步驟數學題：Phi-4 就是為此調校的，從國小到奧林匹亞風格的基準測試都看得出來。
- 推理邏輯與文字題：模型會逐步走過中間步驟，而不是猜一個答案。
- 執行結構化文字生成與摘要：它遵循指令的程度足以做擷取與改寫，但發布前請查核事實。
- 在特定領域資料集上微調：體積小代表訓練成本比大模型低。
情境
- 在桌面或行動應用程式裡推出 AI 功能：本機推論讓使用者資料留在裝置上，也壓低伺服器帳單。
- 在單張開發者 GPU 上做原型：不必等雲端額度就能迭代。
- 離線或連線不佳的環境：自架的副本在沒有網路時照樣運作。
主要功能
專攻數學與推理
Microsoft 把 Phi-4 打造成以複雜推理為核心，數學是最亮眼的招牌。它會一步步解題。這對家教工具、財務計算，以及任何中間結果錯了就會反映在最終答案的場合都很重要。獨立的基準測試表把它排在同級模型的前段，數學任務上尤其明顯。在正式上線前，先用你自己的資料測過再信任它。
精簡的 14B 參數量
140 億參數的 Phi-4，相較需要大量 GPU 的前沿模型，小到能在普通硬體上執行。這個尺寸正是重點。更低的記憶體、更低的延遲，自己託管時帳單也更小。代價是它對冷門主題的了解，比大得多的模型少。
以 MIT 授權開源
權重以 MIT 授權釋出，是目前最寬鬆的開放授權之一。這就是開源 LLM 該有的樣子。你能商用 Phi-4、修改它、再散布它，都不必付 Microsoft 授權費。在你的產品奠基其上之前，先在模型卡確認確切條款。授權可能附帶條件。
多種取用管道
你能從 Hugging Face 下載 Phi-4 自己跑，也能透過 Azure AI Foundry 以託管端點取用。NVIDIA 的 API Catalog 提供另一條路。這裡有兩點值得注意。你可以先在託管端點快速起步，之後再搬到自家基礎架構，不必改寫整合。
支援微調
Microsoft 在 Phi Cookbook 記錄了 Phi 系列的微調方式，所以你能把 Phi-4 調成特定領域或寫作風格，不必從零開始。因為模型小，跑一次微調的成本遠低於調校大型前沿模型，這代表沒有大筆 GPU 預算的團隊，也能做出貼合自家資料的模型。這讓客製調校對小團隊來說變得可行。
為裝置端與邊緣而生
Phi 系列存在的目的，是把 AI 放在裝置上，而不是藏在雲端呼叫後面，Phi-4 也符合這個目標，因為一旦部署，它就能在本機執行，完全不需網路來回。這對隱私、離線使用與可預期的延遲都有幫助，而當每個提示都得離開機器再回來時，這些都很難保證。你仍需要能讓模型留在記憶體裡的硬體，所以先確認需求。
優缺點
優點
- 以它的體積來說，數學與逐步推理很強，並有公開基準測試背書。
- 需要的硬體遠少於前沿模型。託管成本與延遲都下降。
- MIT 授權讓商用簡單，且免授權費。
- 自架與 Azure 託管端點兩種都有。自己選部署方式。
- 微調實際可行且有文件，小團隊要做領域調適很務實。
缺點
- 基礎模型只處理文字，所以影像、音訊與視訊輸入需要另一個 Phi 變體。
- 知識截止大約落在 2024 年中，除非你自己補，否則較新的事實會缺漏。
- 體積較小代表對冷門主題與創意寫作的掌握，弱於最大的模型。
常見問題
它處理文字生成、複雜推理與數學解題。在需要模型逐步推理的結構化任務上表現最好，在適合大模型的廣泛世界知識問題上則較弱。
相關內容
探索與 Microsoft Phi-4 相關的工具、技能與文章。
Microsoft Phi-4 替代方案
Base Code
Base44 (Wix) · 程式設計 · 生產力Base Code 是 Base44 推出的共享雲端開發環境。團隊在對話中描述對既有 GitHub 儲存庫的修改，看著預覽確認結果，再以 Pull Request 交回工程團隊。
Google EmbeddingGemma 2
Google DeepMind · 寫作 · 圖片 · 程式設計Google EmbeddingGemma 2 是 7.4 億參數的開源模型，能把文字、程式碼、圖片、音訊與影片畫面轉成同一個 768 維空間裡的向量，在手機與筆電上就能執行。
GitGlow
GitGlow · 程式設計 · 生產力GitGlow 是桌面版 Git 用戶端，把你自己的程式碼與 AI 代理程式的變更集中在同一份審查裡，讓你在交付前看清楚機器上究竟要送出什麼。