كشفت مايكروسوفت للأبحاث عن نموذج Phi-4 Reasoning في 30 أبريل 2025، إلى جانب نموذجين شقيقين: Phi-4-Mini-Reasoning (≈3.8 B parameter) وPhi-4-Reasoning-Plus (14 B parameter مع ضبط التعلم التعزيزي). بخلاف نماذج ماجستير القانون العامة، تُخصص هذه النماذج للاستدلال: فهي تُخصص حوسبة استدلالية إضافية للتحقق من كل خطوة من خطوات الحل وتحسينها. استفاد التدريب من بيانات ويب عالية الجودة، ومجموعات مسائل تركيبية، وعروض توضيحية مُنسقة لسلسلة الأفكار من o3-mini من OpenAI، مما أدى إلى نموذج مُتفوق في الرياضيات والعلوم والبرمجة وغيرها.
ما هو المنطق فاي-4؟
كيف تم تدريب Phi‑4 Reasoning؟
نشأ الاستدلال فاي-4 من خلال الضبط الدقيق المُشرف عليه لنموذج فاي-4 الأساسي، وذلك باستخدام مجموعة بيانات مُختارة بعناية من المحفزات "القابلة للتدريس" ومسارات استدلال مُفصلة. ولّد الباحثون العديد من هذه المسارات من خلال حثّ o3-mini على حل مسائل مُعقدة، ثم فلترتها لضمان التنوع والوضوح التربوي. ضمنت هذه العملية أن النموذج لم يقتصر على تعلم الإجابات فحسب، بل تعلم أيضًا مناهج مُهيكلة لحل المسائل. خضع مُتغير لاحق، وهو فاي-4-ريزونينج بلس، لمرحلة من التعلم التعزيزي القائم على النتائج، مما شجع على سلاسل استدلال أطول وأكثر شمولاً لتعزيز الدقة بشكل أكبر.
ما هي القدرات التي تحدد Phi‑4 Reasoning؟
تعدد الاستخدام:يشمل تدريبها مشاكل أولمبياد الرياضيات، وأسئلة العلوم على مستوى الدكتوراه، وتحديات البرمجة، والألغاز الخوارزمية (3SAT، وTSP، وBA‑Calendar)، والتفكير المكاني، مما يدل على التعميم القوي عبر مجالات متنوعة.
توليد سلسلة تفصيلية من الأفكار:من خلال تخصيص خطوات استدلال إضافية للتحقق من كل استنتاج وسيط، يبني Phi-4 Reasoning حلولاً شفافة ومتدرجة بدلاً من الإجابات المعتمة أحادية اللقطة.
أداء يفوق المعايير:على الرغم من حجمها المتواضع، فإنها تتفوق على نماذج الوزن المفتوح الأكبر حجمًا مثل DeepSeek‑R1‑Distill‑Llama‑70B وتقترب من أداء DeepSeek‑R1 الكامل (671 معلمة B) في مهام التخطيط والتفكير الخوارزمي.
كيف يختلف Phi-4 Reasoning عن النماذج السابقة؟
بأي الطرق يتحسن Phi-4 للأغراض العامة؟
صُمم نموذج Phi-4 متعدد الأغراض لمهام ماجستير في القانون (LLM) واسعة النطاق - الإكمال، التلخيص، والترجمة - بينما يُحسّن الضبط الدقيق المُشرف عليه في نموذج Phi-4 Reasoning لبيانات سلسلة الأفكار استنتاجاته التدريجية. يُحقق هذا التخصص دقة فائقة في المهام متعددة الخطوات، مع الحفاظ على العديد من إمكانيات النموذج الأصلي. بالإضافة إلى ذلك، يُستبدل متغير "Plus" المُحسّن بالتعلم المعزز سرعة الاستدلال باستدلال أعمق عند الحاجة إلى أقصى درجات الدقة.
كيف يتم مقارنتها بنماذج التفكير الخاصة بالمنافسين؟
موديلات DeepSeek R1:في المهام المشتقة من نموذج R671 ذو 1 B-parameter من DeepSeek، يقترب Phi-4 Reasoning-Plus من الأداء المكافئ، مما يوضح أن تنظيم البيانات والتدريب الدقيق يمكن أن يضيق الفجوة بين LLMs الصغيرة والكبيرة.
OpenAI o3‑mini:تطابق Phi‑4 Reasoning أو تتجاوز o3‑mini في معايير مثل OmniMath (اختبار رياضيات منظم)، على الرغم من عدد المعلمات الأكبر في o3‑mini المخصص للاستدلال.
ما هي الإصدارات والإضافات الأحدث؟
فاي-٤-استدلال-بلس: تعزيز الاستدلال باستخدام التعلم التعزيزي
يعتمد Phi-4-Reasoning-Plus على بنية Phi-4-Reasoning الأساسية من خلال تقديم مرحلة تعلّم معزز قائمة على النتائج، تُحسّن جودة سلسلة الاستدلال بشكل أكبر. في هذه النسخة، يُدمج المطورون جولة تدريب قصيرة للتعلّم المعزز باستخدام إشارة مكافأة قابلة للتحقق، مُستمدة من مقاييس نجاح خاصة بالمهمة - مثل صحة الإثبات أو اكتمال الحل - لتشجيع توليد خطوات وسيطة أكثر تفصيلاً ودقة.
نتيجةً لذلك، يُظهر Phi-4-Reasoning-Plus تحسنًا في الأداء بنسبة تتراوح بين 2% و4% في معايير الاستدلال القياسية مقارنةً بنظيره المُشرف عليه فقط، خاصةً في المهام التي تتطلب استدلالًا متعدد القفزات واستنتاجًا طويل السلسلة. علاوةً على ذلك، يُمكّن هذا التحسين المُوجّه بالتعزيز المعزز النموذج من تصحيح مسارات الاستدلال الغامضة ذاتيًا، مما يُقلل من معدلات الهلوسة بنسبة تصل إلى 15% في الاختبارات المُراقبة. بفضل الدعم الافتراضي لنوافذ سياقية تصل إلى 64,000 رمز، يُمكن لـ Phi-4-Reasoning-Plus دمج أوصاف المشكلات المُوسّعة بسلاسة دون المساس بالاتساق. تجعله إمكانياته المُحسّنة مُناسبًا تمامًا للمجالات عالية المخاطر مثل تشخيصات الرعاية الصحية ونمذجة الحجج القانونية.
فاي-4-الاستدلال المصغر: استدلال مضغوط للتطبيقات المضمنة
يُكمّل نموذج Phi-4-Mini-Reasoning النماذج كاملة الحجم، ويُقدّم حلاًّ استدلالياً مُبسّطاً يضمّ حوالي 3.8 مليار مُعامل. صُمّم هذا النموذج خفيف الوزن خصيصاً للتطبيقات التعليمية وتطبيقات الذكاء الاصطناعي على الأجهزة، وقد دُرّبَ على مجموعة مُتخصصة من مسائل الرياضيات التركيبية - يبلغ مجموعها حوالي مليون مُشكلة مُختلفة مُولّدة بواسطة نظام الاستدلال R1 من DeepSeek - ثمّ تمّ تحسينه من خلال الضبط الدقيق المُشرف عليه على مسارات مُدمجة وعالية الجودة لسلسلة الأفكار.
على الرغم من قلة عدد معاملاته، يحقق Phi-4-Mini-Reasoning دقة تنافسية في معايير الرياضيات، متفوقًا على نماذج صغيرة أخرى مثل DeepSeek-R1-Distill-Qwen-7B بأكثر من 3 نقاط في Math-500. قدرته على العمل بسرعة 10 رموز في الثانية على أجهزة المستهلك القياسية، ودعم أطوال سياق تصل إلى 128,000 رمز، يجعله مثاليًا لأنظمة التدريس المدمجة ومساعدي البرمجة في البيئات محدودة الموارد.
أين يمكن تطبيق Phi-4 Reasoning؟
كيف يمكن تعزيز الأدوات التعليمية؟
تم تحسين Phi‑4‑Mini‑Reasoning، المُدرَّب على ما يقارب مليون مسألة رياضية تركيبية من نموذج DeepSeek R1، ليُتيح "الدروس الخصوصية المُدمجة" على الأجهزة خفيفة الوزن. يُمكنه توجيه الطلاب من خلال حلول مُفصَّلة خطوة بخطوة، وتقديم تلميحات، والتحقق من كل خطوة آنيًا، مما يُطوِّر التطبيقات التعليمية وأدوات الفصول الدراسية الذكية (، ).
ما هي حالات الاستخدام الصناعية البارزة؟
- مجال الطب::في الأجهزة الطبية التي تدعم الحافة، يمكن لـ Phi-4 Reasoning تحليل البيانات التشخيصية، وشرح الإرشادات السريرية المعقدة، واقتراح خطط العلاج باستخدام مسارات تفكير شفافة.
- بحث علمي:يمكن للباحثين الاستفادة من مخرجات سلسلة الأفكار الخاصة بالنموذج لتوثيق سير عمل اختبار الفرضيات في الكيمياء والفيزياء والأحياء.
- تطوير البرمجيات:في مساعدي الترميز، يمكن لـ Phi‑4 Reasoning تحليل التحديات الخوارزمية، واقتراح أجزاء من التعليمات البرمجية مع تعليقات توضيحية، والتحقق من صحتها من خلال الاستدلال المنطقي (، ).
أين يمكن للمطورين الوصول إليه ونشره؟
تتوفر نماذج Phi-4 Reasoning بموجب ترخيص MIT مفتوح المصدر على Azure AI Foundry وHugging Face وGitHub Marketplace. تُفصّل الوثائق والأدلة، مثل "دليل Phi-4 Reasoning How-To" على UnsLoTH AI، النشر المحلي، وسير عمل التكميم، ووصفات الضبط الدقيق للمهام الخاصة بالمجال.
ما هي التحديات والأسئلة المفتوحة التي لا تزال قائمة؟
تقييم متانة التفكير
بينما يُبرز أداء المعايير نقاط قوة Phi-4-Reasoning، يُعدّ تقييم متانته في ظل ظروف معادية أو خارج نطاق التوزيع أمرًا بالغ الأهمية. تكشف الدراسات الأولية، التي تستخدم بروتوكولات اختبار تحمل الإجهاد ذات المقدمات المشوشة، والمسلمات المتناقضة، أو تسمية المتغيرات الغامضة، عن ارتفاعات حادة في معدل الخطأ تتجاوز 20% عندما يواجه النموذج معلومات مضللة أو ناقصة. تُبرز هذه النتائج الحاجة إلى أطر تقييم أكثر تفصيلًا ترصد أنماط الفشل مثل الاستدلال الدائري أو انحراف المفهوم، وإلى أدوات تشخيص تُظهر درجات الثقة وسلاسل المنشأ. سيكون وضع معايير معيارية للمتانة، لا تعتمد على مجال محدد، أمرًا بالغ الأهمية لإثبات جاهزية النموذج للتطبيقات الحرجة للسلامة في مجالات مثل الاستشارات القانونية ودعم اتخاذ القرارات في مجال الرعاية الصحية.
معالجة مخاوف المحاذاة والسلامة
يظل التوافق والسلامة أمرًا بالغ الأهمية مع دمج نماذج التفكير المتقدمة في عمليات صنع القرار في مختلف المجالات الحساسة. ورغم عمليات الضبط الدقيق والإشراف الصارمة وتشكيل مكافآت التعلم المعزز، فإن قدرة نظرية فاي-4-ريزونينج على توليد مخرجات معقولة ولكنها غير صحيحة - ما يُسمى "الهلوسة" - تُشكل مخاطر في السياقات عالية المخاطر. وتُؤكد حالات التفكير المتحيز اجتماعيًا أو التوصيات التي تتعارض مع المبادئ الأخلاقية على ضرورة وجود ضمانات متعددة الطبقات. وتدعو أفضل ممارسات هذا المجال إلى دمج فلاتر المحتوى الفورية، وتدريبات العمل الجماعي، والرقابة البشرية المباشرة لاعتراض السلوكيات غير المقصودة. سيكون تطوير مقاييس التوافق الكمي - مثل درجات الصدق المعايرة مقابل مجموعات البيانات المعيارية الذهبية - وواجهات التصحيح سهلة الاستخدام أمرًا حيويًا لضمان توافق نماذج Phi-4-Reasoning مع المعايير المجتمعية والحفاظ على الشفافية أثناء اختراقها لسير العمل الحرجة.
الخاتمة
يُمثل Phi-4 Reasoning نقطة تحول في مجال الذكاء الاصطناعي: تحول من الحجم الهائل إلى التخصص الذكي. بتقديمه تفكيرًا شبه متطور في حزمة صغيرة الحجم ومفتوحة، يُمهد الطريق لفهمٍ شفاف وفعال ومتاح على نطاق واسع للذكاء الاصطناعي، مما يُحدث نقلة نوعية في طريقة تدريسنا وبحثنا وحلنا لأصعب المشكلات، سواءً في السحابة أو على الحافة.
في الوقت الحالي، على المهتمين باستخدام Phi‑4 Reasoning متابعة التحديثات. سنواصل تحديثها. كوميت ايه بي اي و سجل التغييرات في واجهة برمجة التطبيقات CometAPI.