微軟研究院於 4 年 30 月 2025 日發布了 Phi-4 Reasoning，同時發布的還有兩個姊妹模型——Phi-3.8-Mini-Reasoning（約 4 B 個參數）和 Phi-14-Reasoning-Plus（3 B 個參數，具有強化學習調整功能）。與通用的 LLM 不同，這些模型專門用於推理：它們分配額外的推理計算來驗證和改進每個解決方案步驟。訓練利用高品質的網路資料、合成問題集以及 OpenAI 的 oXNUMX-mini 精心策劃的「思路鏈」演示，從而形成了一個在數學、科學、編碼等領域表現出色的模型。
什麼是 Phi-4 推理？
Phi-4 推理是如何訓練的？
Phi-4 推理是在精心策劃的「可教」提示和詳細推理痕蹟的資料集上對基礎 Phi-4 模型進行監督微調而產生的。研究人員透過促使 o3-mini 解決複雜問題產生了許多這樣的痕跡，然後對其進行了多樣性和教學清晰度的篩選。這個過程確保模型不僅學習答案，也學習結構化的問題解決方法。後續變體 Phi-4-Reasoning-Plus 經歷了基於結果的強化學習階段，鼓勵更長、更徹底的推理鏈，以進一步提高準確性。
哪些功能定義了 Phi-4 推理？
多功能性：其訓練涵蓋數學奧林匹克問題、博士級科學問題、編碼挑戰、演算法難題（3SAT、TSP、BA-Calendar）和空間推理，展示了跨不同領域的強大泛化能力。
詳細的思路鏈生成：透過投入額外的推理步驟來驗證每個中間結論，Phi-4 Reasoning 建構了透明的、逐步的解決方案，而不是不透明的單一答案。
超越基準的性能：儘管規模不大，但它的表現優於 DeepSeek-R1-Distill-Llama-70B 等更大的開放權重模型，並且在演算法推理和規劃任務上接近完整的 DeepSeek-R1（671 B 參數）的性能。
Phi-4 推理與早期模型有何不同？
它在哪些方面改進了通用的 Phi-4？
通用的 Phi-4 是為廣泛的 LLM 任務（完成、總結、翻譯）而設計的，而 Phi-4 Reasoning 對思路鏈數據的監督微調則專門磨練了其逐步推理。這種專業化在多步驟任務上產生了更高的準確性，同時仍保留了原始模型的許多功能。此外，當需要最高精確度時，RL 增強型「Plus」變體會以推理速度換取更深層的推理。
它與競爭對手的推理模型相比如何？
DeepSeek R1 模型：在從 DeepSeek 的 671 B 參數 R1 模型中提煉出的任務中，Phi-4 Reasoning-Plus 接近同等性能，表明仔細的數據管理和訓練可以縮小小型和大型 LLM 之間的差距。
OpenAI o3‑mini：儘管 o4‑mini 用於推理的參數數量較多，但 Phi‑3 Reasoning 在 OmniMath（結構化數學測試）等基準測試中與 o3‑mini 相當或超過 oXNUMX‑mini。
最新的變體和擴展是什麼？
Phi-4-Reasoning-Plus：透過強化學習增強推理
Phi-4-Reasoning-Plus 在基礎 Phi-4-Reasoning 架構的基礎上引入了基於結果的強化學習 (RL) 階段，進一步優化了推理鏈品質。在這個變體中，開發人員使用來自特定於任務的成功指標（例如證明正確性或解決方案完整性）的可驗證獎勵訊號，加入一個簡短的 RL 訓練輪次，以鼓勵產生更詳細、更準確的中間步驟。
因此，與僅有監督的對手相比，Phi-4-Reasoning-Plus 在標準推理基準上表現出 2-4% 的性能提升，特別是在需要多跳推理和長鏈推理的任務上。此外，這種 RL 驅動的改進允許模型自我糾正模糊的推理路徑，在受控測試中將幻覺率降低高達 15%。 Phi-64,000-Reasoning-Plus 預設支援多達 4 個標記的上下文窗口，可以無縫整合擴展的問題描述，而不會犧牲連貫性。其增強的功能使其非常適合醫療診斷和法律論證建模等高風險領域。
Phi‑4‑Mini‑Reasoning：嵌入式應用的緊湊推理器
作為全尺寸模型的補充，Phi-4-Mini-Reasoning 提供了一個包含約 3.8 億個參數的簡化推理解決方案。這種輕量級變體是為教育和設備上的 AI 應用量身定制的，它在一個專門的合成數學問題語料庫上進行訓練——總共約有一百萬個不同的實例，由 DeepSeek 的 R1 推理系統生成——並通過對緊湊、高質量的思路進一步完善思路。
儘管參數數量減少，Phi-4-Mini-Reasoning 在數學基準測試中仍實現了具有競爭力的準確性，在 Math-1 上比 DeepSeek-R7-Distill-Qwen-3B 等其他小型模型高出 500 個百分點以上。它能夠在標準消費硬體上以每秒 10 個代幣的速度運行，並支援 128,000 個代幣的上下文長度，這使其成為資源有限環境中嵌入式輔導系統和編碼助理的理想選擇。
Phi-4 推理可以應用在哪些領域？
它如何增強教育工具？
Phi-4-Mini-Reasoning 經過 DeepSeek 的 R1 模型中大約 1 萬道綜合數學題的訓練，針對輕量級設備上的「嵌入式輔導」進行了優化。它可以指導學生逐步解決問題，提供提示，並即時驗證每一步，從而改變教育應用程式和智慧課堂工具（，）。
哪些行業用例脫穎而出？
- 藥物：在邊緣醫療設備上，Phi-4 Reasoning 可以分析診斷數據、解釋複雜的臨床指南並提出具有透明推理痕蹟的治療計劃。
- 科學研究：研究人員可以利用此模型的思路鏈輸出來記錄化學、物理和生物學中的假設檢定工作流程。
- 軟件開發：在編碼助手中，Phi-4 Reasoning 可以分解演算法挑戰，建議帶有解釋性註釋的程式碼片段，並透過邏輯推理驗證正確性（、）。
開發人員可以在哪裡存取和部署它？
Phi-4 推理模型可在 Azure AI Foundry、Hugging Face 和 GitHub Marketplace 上以開放權重 MIT 授權使用。文件和指南（例如 UnsLoTH AI 上的「Phi-4 推理方法」）詳細介紹了本地部署、量化工作流程以及針對特定領域任務的微調方法。
還有哪些挑戰和懸而未決的問題？
評估推理穩健性
雖然基準性能展示了 Phi-4-Reasoning 的優勢，但評估其在對抗性或分佈外條件下的穩健性至關重要。初步研究表明，使用帶有混亂前提、矛盾公理或模糊變數命名的壓力測試協議，當模型面臨欺騙性或不完整資訊時，錯誤率高峰會超過 20%。這些發現強調了對更細粒度的評估框架的需求，該框架可以捕捉循環推理或概念漂移等失敗模式，並且需要提供置信度分數和來源鏈的診斷工具。建立標準化、與領域無關的穩健性基準對於證明該模型是否適用於法律諮詢和醫療決策支援等領域的安全關鍵應用至關重要。
解決對準和安全問題
隨著高階推理模型嵌入敏感領域的決策過程，一致性和安全性仍然至關重要。儘管進行了嚴格的監督微調和 RL 獎勵塑造，Phi-4-Reasoning 仍能夠產生看似合理但實際上不正確的輸出（即所謂的「幻覺」），這在高風險環境中構成了風險。與道德準則相矛盾的社會偏見推理或建議的例子強調了多層次保障措施的必要性。業界最佳實踐提倡整合動態內容過濾器、紅隊演習和人工介入監督來攔截意外行為。開發定量對齊指標（例如根據黃金標準資料集校準的真實性分數）和用戶友好的校正介面對於確保 Phi-4-Reasoning 模型符合社會規範並在滲透到關鍵工作流程時保持透明度至關重要。
結論
Phi-4 推理代表了人工智慧的一個分水嶺：從純粹的規模化轉向智慧專業化的轉變。透過在小型、開放的軟體包中提供近乎最先進的推理能力，它為透明、高效和廣泛可訪問的人工智慧推理鋪平了道路——改變了我們教學、研究和解決最棘手問題的方式，無論是在雲端還是在邊緣。
目前，對使用 Phi-4 Reasoning 感興趣的人，需要繼續關注更新。我們將持續更新 彗星API CometAPI API 更新日誌.