Phi-4: модели AI-рассуждения от Microsoft, конкурирующие с DeepSeek

Когда Microsoft представила Phi-4, стало ясно: перед нами не просто очередная языковая модель. Это результат внимательной работы с данными, архитектурой и логикой обучения. Разработчики сделали акцент на задачах, где важна не скорость генерации, а способность делать логически выверенные умозаключения — будь то математика, написание кода, решение головоломок или научное планирование.

Модели Phi-4 обучались не на массивных датасетах общего назначения, а на специально отобранных и синтетически сгенерированных примерах. Большую часть внимания разработчики уделили тому, чтобы ИИ «думал» поэтапно — буквально «вслух», как это делает человек, рассуждая от предпосылок к выводу. Такой подход называется chain-of-thought prompting, и именно он стал ядром концепции Phi-4.

Какие версии моделей представлены

В семейство Phi-4 входят три основных версии, каждая из которых ориентирована на разные цели и задачи.

1. Phi-4-Reasoning с 14 миллиардами параметров — обеспечивает наилучший баланс между компактностью и мощностью.
2. Phi-4-Reasoning-Plus стала продолжением этой идеи, получив дополнительное обучение с использованием методов подкрепляющего обучения (RLHF), что позволило улучшить точность рассуждений и уверенность в ответах.
3. Phi-4-Mini-Reasoning — она содержит всего 3,8 миллиарда параметров, но при этом показывает весьма достойные результаты на ряде бенчмарков. Особенно интересно, что для её обучения Microsoft использовала задачи, сгенерированные крупными конкурентами — в том числе DeepSeek R1 (обзорный практикум — тут). Это подчёркивает открытость и прозрачность подхода.

ОНЛАЙН-ПРАКТИКУМ

ЗАПУСК нейросети DEEPSEEK R1 ЛОКАЛЬНО НА СВОЕМ КОМПЬЮТЕРЕ

ЧТО БУДЕТ НА ОБУЧЕНИИ?

• ПОКАЖЕМ, КАК РАЗВЕРНУТЬ МОДЕЛЬ нейросети DEEPSEEK R1 ПРЯМО НА СВОЁМ КОМПЬЮТЕРЕ
• Где и как применять? Потестируем модель после установки на разных задачах
• Как дообучить модель под себя?

Участвовать бесплатно

Что внутри: архитектура, обучение, данные

В отличие от большинства масштабных моделей, которые часто представляют собой «чёрный ящик», Microsoft сделала упор на прозрачность и инженерную чёткость.

Phi-4 обучалась с использованием заранее размеченных рассуждений: к каждому вопросу прилагалась не просто формулировка ответа, а вся цепочка логических шагов. Модели учились отвечать не одним словом, а разворачивать «ход мыслей» в читаемом и понятном виде. Это особенно важно в математике и научных задачах, где конечный результат без объяснений теряет смысл.

Вот ключевые особенности обучения и архитектуры Phi-4:

• Использование chain-of-thought в формате размеченных цепочек рассуждений (теги <think>), что позволяет модели понимать структуру аргумента.
• Расширенное окно контекста до 32 тысяч токенов, что делает её пригодной для сложных задач с длинными вводами.
• Отдельный RLHF-этап у версии Reasoning-Plus, который помогает лучше справляться с задачами, где важна уверенность в шаг за шагом логике.

Кроме того, модели оптимизированы для локального запуска — на компьютерах с NPU, edge-устройствах и даже компактных серверах. Это делает их крайне гибкими в реальных условиях эксплуатации.

Тесты и сравнение с DeepSeek R1

Если судить по результатам на популярных бенчмарках, Phi-4 демонстрирует впечатляющую точность. В математическом тесте AIME 2025 модель Phi-4 Reasoning-Plus набирает около 78%, что очень близко к результатам DeepSeek R1, несмотря на разницу в размере (14B против 671B параметров).

В задачах вроде планирования, логических выводов или анализа структурированной информации Phi-4 стабильно обгоняет не только DeepSeek R1 Distilled, но и другие популярные open-source LLM, такие как Qwen или Llama.

Младшая версия — Phi-4-Mini — выступает лучше, чем многие 7–8B модели, особенно в задачах с обучающим уклоном. Это делает её отличным выбором для образовательных приложений, школьных ассистентов или программ самообучения.

Среди направлений, где Phi-4 особенно сильна, можно выделить:

• решение многошаговых математических задач;
• генерацию корректного и безопасного кода;
• логический анализ и планирование;
• научные и инженерные рассуждения;
• задачи с длинным контекстом и последовательной аргументацией.

Почему это важно

Появление Phi-4 подтверждает ключевую тенденцию: будущее LLM — за точностью, а не просто масштабом. Microsoft показала, что открытые модели с продуманной структурой обучения могут работать не хуже, чем громоздкие коммерческие решения.

При этом модели Phi-4 распространяются по лицензии MIT, что даёт разработчикам полную свободу — можно использовать их в коммерческих целях, дообучать под свои задачи, встраивать в продукты без страха быть ограниченным условиями поставщика.

Кроме того, Microsoft делает акцент на совместимости: модели работают с большинством популярных платформ — включая llama.cpp, Ollama, vLLM и Azure AI Foundry. Это означает, что вы можете интегрировать Phi-4 в свои решения без необходимости перестраивать инфраструктуру.